随着数字经济的迅猛发展，人与信息交互的日常化、普遍化，从信息匮乏的时代走向了信息爆炸的时代。在这个时代，如何从海量的多媒体异构数据中寻找到自己感兴趣的信息对于消费者来说变得越来越困难。与此同时，如何高效地寻找到目标用户转换服务价值对于信息投放者来说也变得异常困难。由此，注重用户的个性化需求以及能够盘活长尾资源的个性化推荐系统应运而生。然而，随着平台化经济的快速发展，用户在平台内与物品的交互呈现多样化，传统的基于用户显式反馈（如对电影1.5的评分）的推荐系统已然不能适应当下各种场景需求。如何能够有效地利用用户浏览、点击、签到等隐式行为挖掘用户真实意图是现阶段推荐系统更重要的问题。基于此，本文针对现阶段推荐系统用户行为隐式化、场景化的特点，围绕数据稀疏性、序列化和多行为融合等问题展开研究，主要工作与贡献如下:
　　针对用户隐式行为数据稀疏的问题，提出了一种基于隐式反馈的协同深度排序算法。该算法通过将物品辅助信息的抽象表示集成到成对排序模型的贝叶斯框架中，使得物品的表征更加准确，从而提升推荐效果。具体地，为了解决现有主题模型提取方法只能提取浅层的物品特征而且无法有效地提取特征之间的关系的问题，采用堆叠去噪自动编码器提取物品文本深度特征。然后，正则化约束物品深度特征和物品潜特征，从而联合用户隐式行为和物品辅助信息。一系列的实验结果表明，协同深度排序模型在所有稀疏度级别上在召回率指标下都优于三种现有的方法。
　　针对线性加权用户长短期序列偏好建模能力不足问题，提出了一种层次化的注意力交互模型提升推荐效果，解决推荐系统中预测下一个用户感兴趣物品的任务。具体来说，首先将用户和物品嵌入到低维稠密空间中，然后使用两层注意力网络模拟用户动态的长期品味和序列行为。我们的模型不仅考虑了长期和短期偏好中的用户动态属性，还考虑了用户和物品、物品和物品之间的高层次非线性的交互。从实验中，可以观察到我们的模型在两个真实数据集Tmall和Gowalla中都优于现有的方法。
　　针对基于位置服务场景下连续兴趣点推荐中序列的不对称性和时间上下文相关两个问题，提出非对称投影的时间感知度量嵌入方法用于连续兴趣点推荐。首先，从公开数据集中发现用户连续签到数据中兴趣点-兴趣点序列存在不对称性以及用户对下一个兴趣点的选择依赖于时间的特性。基于此，设计了一种新颖的非对称性投影时间感知度量嵌入算法，将兴趣点-兴趣点，兴趣点-用户和兴趣点-时间的关系嵌入到三个不同的潜在欧几里德空间中。最后，在两个真实的公开数据集上进行了实验评估模型推荐效果。实验结果表明，我们的方法在精度和召回率两个指标上优于现有的方法。
　　针对基于位置服务场景下多种用户交互行为并存的现象，探索多种隐式行为之间的关联性，提出了一种联合学习框架增强推荐性能。具体来说，在基于位置服务的场景下，利用用户签到行为和地图查询行为数据，提出了多行为融合的个性化兴趣点推荐算法。首先从多行为数据中构建三种上下文关系图捕获签到兴趣点-查询兴趣点，用户-查询兴趣点和签到兴趣点-签到兴趣点的关系。然后，基于SkipGram模型设计了一种网络嵌入方法，从图中学习多视角的用户和兴趣点表征。此外，采用成对排序方法估计用户签到兴趣点的概率。最后，所提出的模型将这两种方法融合在一起，通过联合学习优化模型参数。最后，一系列的实验证明我们的方法与其他方法相比在四种不同的指标下都具有优越性。