随着互联网技术的飞速发展,“信息过载”已经成为传统搜索技术不能胜任的难题。为了解决这一问题,推荐系统应运而生,协同过滤算法是其应用最广泛并且最成功的核心技术,然而,该类算法面临着严重的数据稀疏与冷启动问题。近年来,随着社交信息的丰富,融合用户和项目社会化的推荐算法得到了广泛的应用,然而,现有方法均未能考虑不同领域中用户社会地位以及信任对象所存在的差异,并且用户相似性的计算在面对不同项目时不能自适应变化造成了模型推荐精度下降。另一方面,随着深度学习浪潮的兴起,各式神经网络模型也应用到了推荐系统中,受益于其强大的深层特征学习能力,推荐系统得到了长足的发展。近年来,部分研究人员将NLP领域中非常流行的注意力机制引入推荐算法并取得了一定效果,但已有研究的学习模型过于单一,只对用户等单边信息进行了注意力融合,未能充分挖掘社交上下文和项目层面的信息。因此,利用注意力机制建模推荐问题中的多领域信息成为了本研究的重点。本文的主要研究内容如下:（1）针对现有方法未能考虑不同领域中用户社会地位以及信任对象的差异,并且用户相似性在面对不同项目时不能自适应变化的问题,提出一种融合项目信息与信任机制的个性化推荐方法。该方法将项目按照所属领域进行划分,综合考虑用户在不同领域内的全局信任度与局部信任度,构建特定领域的信任网络,提出一种新的社会化信息构造方式,然后将项目间相似性融入Pearson相关系数,计算用户面对不同项目时的偏好程度。在真实数据集Epinions上的大量实验表明,该算法的推荐性能相较于经典的协同过滤算法和融入单一信息的算法有了大幅提高。。（2）针对现有注意力机制在推荐过程中的应用过于单一,并且传统社交推荐不能充分挖掘社交矩阵中的非线性信息的问题,提出一种融入多层注意力机制的推荐方法。该方法利用降噪自编码器分别对多维信息进行降维向量化表示,并将注意力机制同时融入到用户、项目属性、项目交互及社交信息中,其中,项目级融入了多层注意力机制以获取待推荐项目对历史项目的偏好的和项目属性的偏好;同时,将用户项目基础隐式向量融入系统,在模型顶端利用多层感知机进行评分预测。在Flixster和last.fm两个数据集上的大量实验表明,该算法的推荐效率相较于各类基线算法有了一定提高,并且,验证了模型中各类参数对于算法的影响。