最近这些年来,因特网快速发展,因特网在很大程度上丰富了人们的生活。但是互联网的发展导致信息量在这几年爆炸式增长。随着信息量的增长,现在的人们需要花费更长的时间去获取自己想要的信息,人们已经越来越难以接受并处理如此多的杂乱的信息。而搜索和推荐是解决这种信息过剩的主要手段。研究重点主要是推荐算法,场景是互联网上房源信息过剩。通过使用推荐技术解决互联网上房源信息过剩的问题。为用户提供高效的,个性化的推荐服务。此处使用的推荐系统从整体主要分为召回和排序阶段。召回阶段是从大规模的数据集中找出用户可能感兴趣的物料,因为该阶段的数据量较大,所以只能使用较少的数据和一些简单的模型,而且排序阶段所使用的物料都是该阶段召回得到的,为了鲁棒性和多样性,使用了多个召回通道。然后将召回阶段的结果融合之后交给排序模型,通过CTR预估模型对这些物料打分,并根据得分进行排序展示给用户。在整个过程中,用户的历史行为序列会提供很多的信息,但是在处理特征是直接抛弃了ID类特征,对这些序列的信息使用较少,这对最后追求的结果有一定的影响。为了更加充分的利用用户行为序列中的信息,进行了一定的改进:1).首先会根据用户的行为序列,使用无监督的方式得到物品的embedding向量,然后将该向量直接用于排序模型的输入。2):而为了区分不同历史行为物品对结果的影响,在wide&deep排序模型的deep模块中加入attention机制,来确定不同物品的权重,从而能够通过加权和的方式来表示用户。最后,通过做了几组对比实验,从准确率和AUC两个指标上证明了这些改进的有效性。