随着农产品电商的飞速发展,茶产品作为一种特色农产品,正努力开辟电商渠道,从线下迈向线上,通过网络走向千家万户。推荐系统当前在电影、图书等电子商务中的应用与研究越来越广泛,也将成为未来茶产品电子商务发展的必然趋势。当前的茶产品推荐系统,不能识别用户关注点的差异,而识别用户的兴趣点,对进一步挖掘用户偏好和提高推荐精度有着重要的意义。在深度学习中,注意力机制通过对特征向量的权重进行重新赋值,提高对重点特征的关注效率,因此利用注意力机制的特性,提高协同过滤方法对稀疏数据中重点特征的关注能力是本文的研究重点。本论文以茶产品电子商务个性化推荐为研究对象,基于茶产品的评论信息,分别提取用户偏好和茶产品特征。主要研究内容如下:(1)针对当前的茶产品推荐系统,很少考虑用户和茶产品的交互信息对关注重点特征的影响,提出了用户与茶产品信息关联的注意力机制模型—Pair-Attention。在计算用户特征的注意力权重时,加入茶产品特征的影响,获取用户的关注点;在更新茶产品特征的注意力权值时,将用户特征作为辅助信息,探究交互信息对获取茶产品重点特征的影响。(2)提出了一种基于注意力机制的茶产品深度协同推荐模型。该模型利用评论文本形成的词向量矩阵作输入。并采用多组不同尺寸卷积核的文本卷积神经网络对文本向量矩阵进行特征提取。同时结合Pair-Attention,对用户和茶产品特征向量进行赋权,起到关注重点特征的作用。最后通过多层感知机完成用户的评分预测和推荐任务。(3)利用真实茶产品数据集进行相关实验仿真,验证本文提出的交互对注意力机制—Pair-Attention的有效性,并探究不同参数设置对茶产品推荐过程中评分预测精度的影响。同时,将本文提出的算法与传统的矩阵分解算法、多层感知机算法和扩展奇异值分解算法等进行对比,实验结果表明,本文提出的融合交互对注意力机制的茶产品推荐方法在性能上明显优于传统的推荐方法。