注意力机制是近些年来深度学习领域逐渐兴起的一种技术,由于能有效提高深度模型精度以及可解释性,注意力机制方成型便被迅速应用到各种不同的任务中。而随着近年来深度学习模型在推荐系统领域的逐渐普及,注意力机制也开始在推荐系统领域得到越来越多的关注。尽管如此,注意力机制在推荐系统中的相关研究仍处于起步状态,还有大量的能够应用注意力机制的场景未被探索。基于此,本文拟对推荐系统中注意力机制的应用进行研究,对传统域感知分解机与注意力机制的结合进行探讨和尝试。具体地,本文主要研究工作如下:1)本文基于传统的域感知分解机提出了神经域感知分解机。域感知分解机是一种被广泛应用于推荐系统的机器学习算法,可以用于评分预测、点击率预估等任务。本文尝试将域感知分解机转化为多层神经网络,并对其进行改进,提出神经域感知分解机。实验结果表明本文提出的神经域感知分解机精度超过实验中的大部分对比模型。同时该模型也为后续注意力机制的研究提供了基础。2)本文提出了基于层级注意力机制的域感知分解机。神经域感知分解机中包含的特征、域和二阶交互等概念,具有清晰的层级关系,本文使用层级注意力机制对该关系进行建模,提升神经域感知分解机的表现。本文模型的层级注意力机制包含域内特征级的注意力机制和域间二阶交互的注意力机制。实验结果表明,该模型的精度超越实验中的全部基线模型,证明了层级注意力机制在域感知分解机中的有效性。3)本文提出了对上述模型进行在线性能优化的方法。大规模推荐系统对推荐算法模型的在线性能要求较高,本文所述方法可以对用户、上下文和物品特征进行预计算,提升模型的推断速度,进而提升推荐系统的响应速度。实验结果表明,本文方法可以有效提升模型在线处理大量候选集物品时的推断速度。