信息技术的发展和各种智能移动终端的普及,使得图片数据在网络上的生成和传播变得更加快捷,在很多基于图片分享的社交平台上,如Flickr,Pinterest,Instagram等,每天都会有成百上千万张图片的上传和下载,这就造成图片信息严重过载的问题。图片推荐作为图片检索技术的补充,旨在缓解这一问题。同众多推荐技术面临的问题一样,用户和图片之间的历史交互数据十分稀疏,且通常以隐式反馈行为体现,如何缓解稀疏性带来的影响,并有效挖掘用户偏好,是图片推荐技术面临的主要挑战之一。本文基于此,提出两个问题:1)如何隐性增加稠密度以缓解数据稀疏性带来的影响;2)如何只通过简单的用户对图片的隐式反馈行为深度挖掘用户图片间的潜在交互。基于这两个问题,本文提出一种基于图片重要性和注意力机制的图片推荐算法。首先,提出一个基于用户图片交互注意力机制的推荐模型,该模型采用逐点损失,且考虑到用户对每张图片的偏好程度不同,不同用户对同一张图片的偏好也有差异,引入注意力机制,对用户图片的交互行为建模,并分别以用户交互的图片和图片交互的用户构建注意力子模型。为了进一步提升性能,通过深度神经网络提取图片视觉特征,作为两部分注意力网络的输入,这样构建的交互注意力模型能有效挖掘用户图片潜在交互信息,同时一定程度缓解了稀疏性的影响。而后,针对隐式反馈数据的特性,将模型进一步改进,提出一种融合图片重要性和注意力机制的改进模型,该模型采用基于BPR(贝叶斯个性化排序)的成对损失优化方案,代替逐点损失,并考虑其优化机制,引入一种图片重要性因子建模方案,将其作为权重因子,加在目标函数项目对上,旨在以图片客观重要性程度模拟用户主观偏好程度,改善用户项目的隐向量学习。最后,通过多项对比实验,验证了本文模型采用的交互注意力机制有效学习到了用户潜在偏好,且融合图片重要性因子的改进模型对推荐效果带来进一步的提升。