目前,互联网处处都有推荐系统的身影,如电商、新闻、短视频等等。信息过载情况下,推荐系统能快速从商品库中筛选出用户可能感兴趣的商品,不仅帮助用户高效获取信息,还能提高商家的收益。推荐系统已经成为互联网应用中的核心技术之一,也是推动互联网增长的强劲引擎。本文从推荐系统应用场景中的几个普遍存在的实际问题出发,提出了一些新的思想与算法。具体内容如下:（1）首先,在推荐系统中,常常为每个用户计算一个嵌入向量（Embedding）来代表用户,目前的各种计算方法都难以避免地会强调用户的一些行为特征,造成了对用户基础属性的掩盖,进而使得嵌入向量发生偏差。本文提出一种隔离用户属性和行为的用户双塔嵌入向量模型,利用两个神经网络分别处理用户属性特征和行为特征,以此避免行为强特征的覆盖作用,将两个网络的输出拼接得到用户嵌入向量,由此可以通过控制属性和行为输出维度进而轻松调节用户行为的权重。为了验证效果,本文在国际公开数据集上进行了仿真实验,并与常用的召回方法进行对比分析,实验表明,用户双塔嵌入向量模型具有更好的性能。（2）其次,在相关推荐场景中,即在某商品页面下继续进行推荐相关商品,目前各种解决方案考虑不够全面,难以准确度量用户在主商品条件下的兴趣。本文提出DCNet模型,对其进行显式表达;利用定向交叉层,在线性的复杂度内完成了交叉,最大程度提高了效率;并根据低阶部分和高阶部分特点,分别使用不同的交叉方式,保证模型能够准确地学习到用户兴趣。本文在阿里巴巴公开的淘宝真实数据集上进行试验,并将其与目前主流的点击率预估模型进行对比,结果表明,DCNet模型能够更好地表达用户在主商品条件下的兴趣,拥有更好的推荐效果。（3）最后,在真实场景中,用户行为并不是独立的,而是具有前后时序关系的序列行为,用户的某次行为既受到历史行为的影响,也使得未来的兴趣发生变化。而目前的主流推荐算法都是将每次用户请求视为独立来计算,这就不符合实际的场景需求。针对用户行为在时间序列上建模以及强化学习在推荐场景中解决序列化决策的应用问题,本文提出一套解决思路。首先利用历史数据训练模拟用户,以此为环境来训练模型;在模型中使用商品嵌入向量作为动作表达;在使用嵌入向量的过程中自然引入噪声网络来对动作进行探索。最后,我们使用DDPG模型进行仿真实验,结果表明其比监督学习模型具有更好的性能。