近年来,随着大数据时代的到来,数据挖掘成为了各类专家学者的研究热点,伴随着数据挖掘的不断兴起,推荐系统作为数据挖掘技术的一个重要分支,也得到了越来越多的关注。推荐系统可以向用户提供精确地推荐服务,特别是在电子商务领域,各类推荐算法扮演着越来越重要的角色。在各类推荐算法中,传统的推荐算法和基于深度模型的算法已被广泛研究。传统的推荐算法和基于深度模型的推荐算法已被无数的研究证实可以提高推荐的准确性,还有一些研究学者将两种方式结合在一起,形成优势互补,使得推荐精度进一步提高,但是这些混合算法中仍然存在数据稀疏和冷启动问题。再者,对于基于用户交互序列的个性化推荐系统来说,现有的基于循环神经网络的推荐算法存在着无法充分挖掘用户交互序列中隐含的用户兴趣等问题。因此,为了解决上述问题以提高个性化推荐算法在电子商务领域的推荐准确性,我们进行了以下研究。本文所进行的具体工作内容和主要创新点如下:1.本论文首先介绍了本文的研究背景、研究意义以及国内外传统推荐算法和基于神经网络的推荐算法研究现状。然后阐述了推荐系统领域的相关技术,其中包括循环神经网络相关模型和注意力机制。最后,本文详细设计了一种基于注意力机制的商品个性化推荐模型。2.本文基于深度学习模型以及注意力网络,提出了DAttRec推荐模型应用于商品个性化推荐。基于现已有工作,大部分商品个性化推荐算法都是简单地将用户的行为直接视为兴趣,而用户隐含在交互行为中的隐性兴趣很难通过显性行为表达出来,而且绝大多数推荐算法并没有考虑到用户的兴趣是不断演变的。针对这一问题,本文提出了一种基于编码器-解码器结构的混合商品个性化推荐模型。在编码器端:该模型通过多层自注意力网络对用户历史交互商品之间的内在关系进行建模,然后将多层自注意力网络的输出输入到带有注意力分数的GRU网络中来对用户的兴趣演变过程进行建模。在解码器端:本文采用了双线性插值匹配函数来对候选项和用户兴趣表示进行匹配。3.将本文提出的模型在两个数据集上与八种典型的推荐模型进行比较,实验表明,本文提出的模型提升了推荐精度。并通过调节参数,探究了参数对实验结果的影响。4.最后,为了验证本文所提出的模型在实际中的效果,开发了一种基于Flack框架的商品推荐原型系统,借助该具体实现,充分验证和展示了本文所提出模型在实际应用中的推荐效果。