随着大数据时代的发展与应用,推荐算法及其系统成为电商、短视频、新闻、金融等诸多领域的核心技术架构,推荐系统的重要性不言而喻,研究推荐系统的目标在于针对不同场景数据需求,如何设计更好的特征,并将其运用到设计的算法模型,使得推荐效果尽可能达到多样化目标的整体最优或目标侧重的改进。与此同时,随着深度学习的发展突破传统模型与数据量级的算力性能限制,带来了更多优化与算法升级的可能性,如何利用其实现匹配用户的兴趣并识别其不同兴趣的留存转换与进化,仍是研究中的一大难点。除此之外,当下的推荐场景数据越来越复杂和多模态化,如何有效地表示和融合不同模态之间的特征,并解决序列数据建模的子任务,也是研究中的一大挑战。基于上述挑战,本文主要研究了以下工作:1)基于特征贡献度的用户购物行为预测融合模型,MFRF-X（Multi-model Fea-ture Representation Fusion based on XGBoost）,首先采用了统计与特征工程方法,对脱敏的购物行为数据进行清洗处理,并设计构建了多维度特征,主要分为商品特征、场景信息特征、用户行为特征及用户的长短期兴趣特征,为了提升改进原有特征拼接的表示能力,针对不同结构类型的特征采取不同基模型形成Embedding表示,再在减少人工特征工程的基础上,采用后期融合将多模态特征表示拼接输入XGB oost模型进行模型训练,最后使用基于分裂增益的特征重要性与基于树模型的解释方法SHAP对该工作建立的模型进行解释,实验验证了特征设计对模型效果产生的不同程度的提升;进行基准实验,分别对比基准单模型和现存的多个融合模型,实验验证了该特征融合策略优化了特征表示并实现了模型推荐AUC与综合评分提升的目标,并验证了 MFRF-X模型基于多模态特征融合策略的有效性。此外,它反映了模型对长短期兴趣特征表示及其演化表示抽取的有效性。2)基于融合深度兴趣网络的视频用户冷启动序列推荐模型,MMDIN（Multi-view Multi-level Deep Interest Network）,针对视频内容相关度冷启动预测推荐的任务,通过不同的深度神经网络对视频序列数据提取其多模态特征嵌入表示,并采用了 Attention机制与AUGRU结构加强了抽取用户兴趣与进化序列表示的能力,构建了基于融合深度兴趣网络与深度兴趣进化网络的视频相关度预测模型MMDIN,结合音频级、帧级和视频级的预处理多模态内容特征,采用后期融合形成最终的多模态特征表示,实现冷启动状态下的视频序列推荐优化,对比基准模型的推荐效果,在Hulu提供的电视连续剧和电影数据集下进行实验,验证了多模态数据特征下推荐模型的预测准确率提升与融合策略的有效性,冷启动问题继而由用户视频交互行为与基于多模态视频的内容画像表示所解决。