推荐系统是各类电子商务网站采取的一个提高网站各类信息浏览量的措施,它向客户提供商品信息和建议,帮助用户找到其可能感兴趣的产品,模拟销售人员帮助客户完成购买过程。其中,个性化推荐是网站根据其用户的用户资料、兴趣特点和购买行为,构建推荐模型,基于此模型向用户推荐用户感兴趣的信息和商品。矩阵分解(Matrix Factorization,MF)是推荐系统领域中最直观,最有效的方法之一。它将稀疏的(用户,物品)交互映射到稠密的特征点积中,这使得矩阵分解模型具有很强的泛化能力。为了充分利用这种特性,最近的许多工作开始使用用户和物品的辅助信息。尽管很多工作在引入辅助信息后确实获得了模型性能上的提高,这种直接的加入辅助信息做法仍然存在不合理性。在本文的工作中,本文提出了一个名为AANMF的新型推荐系统算法模型,它是Attribute-aware Attentional Neural Matrix Factorization的简称。AANMF结合了两个主要的部分:即基于神经网络的矩阵分解结构(用于用户物品特征内积的建模),以及基于注意力机制的属性处理单元(用于控制辅助信息,特别是用户物品属性),能够有效解决属性处理不合理问题。基于神经网络的矩阵分解结构还原了传统矩阵分解的建模能力,并通过神经网络以及一些改进后的结构进一步增强了其泛化性。基于注意力机制的属性处理单元是本文工作的重点,它主要合理解决了模型对于属性特征的处理问题。在两个真实世界数据集上的大量实验证明了本文提出的AANMF模型能够取得更好的性能。值得注意的是,实验结果同时表明了本文的模型可以更加合理地处理用户或者物品的属性。进一步的,本文同时给出了利用AANMF的推荐系统模型的整个构建和运行过程案例。