各类电子商务平台业务的不断兴起推动了用户个性化推荐服务的高速发展,结合深度学习技术来完成商品推荐作为推荐系统中新的重要手段,其研究已经受到了国内外研究学者们的广泛关注。推荐系统的冷启动、数据稀疏等问题一直影响着推荐的性能。不同用户和商品具有不同的属性描述信息（如用户的性别、年龄、职业等和商品的类型、价格等）,在深度学习中考虑它们的显式耦合关系并结合用户和商品的反馈数据（如评分、点击、浏览等）的隐式耦合关系能够有助于提升推荐结果的性能与个性化水平。而如何挖掘出这些高阶的抽象关系来达到预期的目的成为当前人们所重点关注和待解决的问题。对此,本文提出了一种基于注意力机制的个性化商品推荐方法。首先基于用户和商品的属性向量外积构造属性特征图,利用带有空间注意力的深度卷积残差神经网络来学习其显式耦合关系。然后,通过多种组合操作方式进行层级的注意力融合来构建用于捕捉用户和商品反馈数据上的隐式耦合关系的协同过滤网络。并在此基础上,构建联合学习的网络来从用户和商品的显式属性信息关联和隐式交互反馈信息提取抽象表示,来探究用户与商品之间的显/隐式耦合关系的作用,从而达到提高推荐准确性和个性化的目的。通过在两个真实数据集上与当前主流的推荐算法模型进行对比实验,实验结果表明本文提出的基于注意力机制的个性化商品推荐方法在HR、NDCG、MRR指标上显著优于对比的基线算法。该论文有图22幅,表12个,参考文献71篇。