互联网技术和行业的快速发展不仅改变了人们的社会经济和生活形态,还改变着人们科学研究的对象和手段。随着互联网的接入和信息资源的动态性、复杂性和数据量不断增长,推荐系统是近年来克服信息过载问题最有效的信息过滤手段。其中,评分预测是推荐系统最重要的任务之一,它根据已有的评分来推断未知的评分,从而实现推荐。推荐系统通过学习用户-物品的历史评分来进行新的推荐,这也被称为协同过滤,是当今推荐领域最主流和最基础的方法。然而,单纯使用评分协同过滤的方法往往效果并不好,这是因为用户对物品的评分往往是稀疏的。例如,Movielens1M数据集的稀疏度是95.35%,Movielens10M的稀疏度更是达到了98.59%。稀疏性导致的冷启动往往是提供高质量推荐的障碍。为了弥补这一问题,本文提出结合属性信息和评分矩阵的推荐方式,有效地将属性信息融合到显性反馈中。属性信息可以是用户的属性,如性别、年龄、职业等;也可以是物品的属性,如电影的导演、演员、国家、类型,或者商品的价格、颜色、厂商、生产日期等。本文探究了融合用户评分和项目属性以提高推荐准确率的有效方法,提出了一种基于属性嵌入的深度推荐模型,利用注意机制和深度前馈网络对用户、项目和项目属性的表示进行建模,实现了基于用户与电影属性之间的深度非线性交互的广义协同过滤。为了充分挖掘属性中的语义信息,本文以一种端到端的网络建模用户-项目评分以及所有的属性信息,并利用注意力机制为各个属性动态地分配不同的权重,最终使得所有组件之间互相补充和启发,从而更富有语义信息的特征表示能够被学习到。为了验证本文提出的通用推荐模型的可行性和有效性,本文在Hetrec2011-movielens-2k电影数据集上进行了实验评估,所提出的方法在属性嵌入表示学习和推荐性能上与其他经典方法相比均有显著提升。