随着互联网的快速发展,网络中的用户量和信息量激增,信息过载成为互联网用户面临的重要问题。推荐系统能够分析用户在网络中的历史行为,进行用户建模,以实现个性化的推荐。作为解决信息过载的重要工具,推荐系统已广泛应用于电子商务、个性化广告推送、多媒体内容推荐等众多场景。在个性化推荐的帮助下,用户可以方便快捷地获得感兴趣的信息和产品。根据用户历史记录和辅助信息等信息对用户建模,挖掘用户的偏好,对用户进行推荐预测。然而在数字社会和大数据背景下,混合了大量冗余的干扰信息,极大地影响了推荐模型的性能。基于以上问题,提出了两种推荐算法,主要研究内容如下:1.提出了一种融合辅助信息的深度注意力机制矩阵分解推荐算法（A Deep Matrix Factorization Recommendation Model based on Attention Mechanism Fusion Side Information,DMFRM）。通过添加辅助信息来丰富输入特征,利用注意力机制学习用户—推荐项目之间的权重,学习不同特征的权重,消除冗余特征对模型的干扰,学习组合后的用户和推荐项目高阶和低阶数据,在输出层进行运算,获得最优的推荐结果,并以推荐列表的方式对推荐结果进行展示。基于一个现实社交网络数据集进行实验对比分析,结果表明本文提出的模型在精准率、召回率和综合指标F-measure上,均高于基线模型,验证了该算法的优越性和可用性。2.提出了一种融合辅助信息的深度注意力机制序列推荐算法（A Deep Attention Mechanism Sequence Recommendation Model,FSASM）。由于传统的序列推荐算法需要按照次序进行计算,对于距离较远的依赖关系不会被捕获。为了解决上述问题,首先将用户交互行为辅助信息的嵌入表示,与用户交互行为序列的嵌入表示进行拼接,然后送入堆叠自注意力层中自动调整用户和产品之间复杂的依赖关系,最后通过内积得到的有效信息与项目的嵌入表示预测项目的相关性,按相关性进行排序推荐。基于一个现实社交网络数据集进行实验对比分析,结果表明本文提出的模型在精准率、召回率和NDCG上,均高于现有模型,验证了该算法的优越性和可用性。3.推荐算法在多媒体社交网络平台上的应用。在多媒体社交网络平台中部署本课题提出的融合辅助信息的深度注意力机制矩阵分解推荐算法。通过平台试验结果验证本课题提出的推荐算法能够有效地为用户进行推荐。