目前推荐系统的一大研究热点是基于用户交互序列挖掘其中隐含的用户兴趣,在取得显著效果的同时,个性化推荐场景中也存在着数据稀疏性和冷启动问题。本课题基于上述几个问题进行了深入研究,具体如下:本课题利用图嵌入（Graph Embedding）技术来解决数据稀疏性和用户商品冷启动问题。在常规的图嵌入算法基础上,通过引入商品辅助信息,利用随机游走算法对商品的各类属性进行建模并获取对应的Embedding向量,之后再进一步将其融合。通过将高维稀疏的特征向量转化为低维稠密的特征向量可以解决数据稀疏性问题,同时,引入的辅助信息可以有效解决冷启动问题。图嵌入技术不仅可以解决稀疏性和冷启动问题,将预训练得到的Embedding向量输入到上层深度神经网络中,还能够加快网络的收敛速度,进一步提升模型性能。在预训练得到Embedding向量的基础上,将Transformer模型中提出的多头自注意力机制引入到商品推荐场景中,结合位置编码（Position Encoding）对用户历史购买商品间的依赖关系进行建模。之后利用AUGRU（GRU with Attentional Update gate）结构来对用户兴趣演化路径进行筛选,得到更加准确的用户兴趣向量表示。本课题将以上几种技术进行融合,提出CTR预估模型GEARec,用于商品的个性化推荐。GEARec模型由预训练的Embedding层、多头自注意力网络层、AUGRU和MLP构建而成。输入的用户行为序列Embedding向量经过多头自注意力网络层和AUGRU计算后,将结果与其他Embedding进行拼接,然后输入到MLP中自动学习特征之间的非线性关系,最后输出用户购买候选商品的概率。将本课题构建的GEARec模型与近几年主流的推荐模型进行实验对比。实验结果表明,GEARec推荐模型在Books和Electronics数据集上,相较于当前比较先进的DIEN模型,RelaImpr指标分别提升了2.27%和2.42%。同时,针对GEARec模型的各个模块进行了更加细致的对比实验,以此探究影响模型推荐效果的核心因素,进一步优化模型结构,提升推荐效果。最后,本课题设计实现了基于Spring Boot框架的商品推荐系统,将GEARec模型与推荐系统进行融合,实现RPC接口来提供商品CTR预估和Top-N推荐服务。另外,系统以表格和图表的形式统计并展示训练模型使用的实验数据,提供数据的上传下载、模型训练、模型权重文件下载等功能。