在信息过载时代,从大量信息中寻找自己感兴趣的信息是一件非常困难的事。推荐系统作为缓解这一问题的重要工具,可以从大规模数据中挖掘用户的偏好信息,从而向用户提供精确的个性化推荐服务。目前流行的推荐算法利用用户评分、评论等明确反映用户偏好的主观数据预测用户兴趣,但这类数据往往比较稀疏,会制约推荐算法的推荐质量。另外,如何动态捕获用户的偏好变化以及提高推荐的多样性也是推荐系统研究中亟需解决的问题。本文基于现有研究工作中的问题,对用户历史行为中存在的隐藏信息进行深入研究,分别从用户历史偏好和影响力等多个角度探究用户兴趣,优化推荐算法,论文的主要研究内容如下:1.提出了基于用户行为和度中心影响力的改进协同过滤推荐算法传统协同过滤推荐算法仅仅基于用户-项目评分矩阵计算相似度并产生推荐结果,推荐效果不理想,考虑因素过于单一。针对上述不足,论文设计了一种改进的协同过滤推荐算法,在传统协同过滤算法的基础上,引入适应用户偏好变化的时间函数和网络用户的影响力因素,将基于时间权重的评分矩阵与影响力矩阵相融合,缓解了评分项目的稀疏性问题,相比传统的协同过滤算法具有更好的推荐质量。2.提出了一种基于注意力机制的双向GRU神经网络推荐模型传统方法在预测用户偏好时面临数据稀疏和冷启动问题,考虑到深度学习技术可以有效捕获用户与项目的非线性关系,论文设计了一种基于注意力机制的循环神经网络模型处理用户历史行为中的长序依赖问题,对用户的长短期偏好建模。首先利用自注意力机制学习用户短期的交互轨迹,用以区分每个潜在特征的重要性;其次基于双向GRU神经网络学习用户长期稳定偏好,并利用注意力机制激活与目标项目相关的局部偏好,对用户偏好变化建模;最后结合长期和短期偏好表示预测用户的下一行为。该模型能够有效的对用户长期和短期偏好建模,更准确的捕获用户兴趣,在不同评价指标上都表现出更优的性能。3.提出了一种基于用户长短期偏好和用户影响力的推荐模型利用复杂网络中的度中心性描述用户影响力并运用到推荐,可以一定程度上缓解数据集中的冷启动问题,但度量方法过于简单,对推荐效果的提升不明显。因此,本论文结合带系数的局部中心性影响力度量方法提出了一种改进的网络模型,将影响力因素与用户长短期偏好相结合,用Transformer替代双向GRU神经网络挖掘用户历史交互隐式特征中蕴含的用户偏好。数据分析和实验表明该模型在训练效率和推荐的准确度方面都优于对比模型,从而验证了融合用户长短期偏好和用户影响力进行推荐的有效性。