在互联网时代,随着商品种类和个数快速增长,顾客需要花费大量的时间和精力去找自己想买的商品。为了解决这个问题,个性化推荐技术应运而生。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着深度学习的发展,其在推荐系统中应用越来越广泛。深度学习在推荐系统的应用主要是捕获高阶的特征组合,相比传统的推荐模型更能发现交叉特征对用户点击的影响。传统的做低阶特征的主要是用因子分解机模型,做高阶特征主要使用深度神经网络,两种模型的结合具有较好的记忆能力和泛化能力,对于推荐系统有很大的提升。但是由于低阶特征和高阶特征对用户点击行为的影响不同,针对该问题,提出基于注意力机制的特征融合的模型ADAFM模型来解决这个问题。本文提出的模型能有效的捕获低阶特征和高阶特征对用户点击的影响,利用因子分解机进行低阶特征的交叉,利用深度神经网络进行高阶特征的交叉,同时对低阶和高阶特征运用注意力机制,来捕获对物品和用户对点击重要的特征,使重要的特征权重增大,忽略不重要的物品和用户特征,加快了模型的训练速度,提高了模型的准确率。本文提出ADAFM模型,相比其他模型,本文提出的模型在Criteo数据集上表现了很好的效果,AUC上提高了1.2%,训练速度上提高了2倍,在损失值收敛速度提高了9倍之多。微信大数据比赛（微信视频号数据集）中表现了很好的效果,u AUC上提高了1%,训练速度提高1.5倍。在算法的应用上,本文通过在网上爬取景区、美食、酒店的数据,收集用户的行为数据,构建用户画像,通过基于用户的协同过滤算法做召回,采用ADAFM算法进行排序。基于Django框架进行开发,基于Kubernetes微服务架构进行部署,开发的功能已集成在微信陆岛城市群智慧旅游小程序中进行使用。结果显示,本文提出的ADAFM模型在点击率预测中得到了很好的效果,明显提升了用户的流量。