近年来,互联网的飞速发展导致网络信息量的指数级增长,在浩瀚的信息流中搜寻信息一直是让用户头疼的问题,直到智能推荐系统的出现才得以大幅缓解,它在解决用户搜寻信息难问题的同时也给企业自身带来了巨大的利益回报。在这样的时代背景下,电影领域的推荐系统也随之而来。因为深度学习强大的特征学习能力,在当今电影推荐系统的推荐算法中已经成为了主流,其中通过深度学习提取用户行为序列信息进行推荐是当今许多研究人员关注的重点。现有深度学习方法对用户行为序列中的依赖信息提取并不充分,还有很大的提升空间,同时如何从行为序列中准确捕获到用户动态变化的兴趣也是一个关键问题。本文基于上述问题提出了两个推荐算法模型并嵌入到个性化电影推荐系统中,主要工作如下:（1）以注意力网络为基础提出了融合用户显性偏好和隐性兴趣的推荐系统召回模型UEIIN（User Explicit and Implicit Interest Network,用户显隐性兴趣网络）。该模型首先利用多头自注意力模块（一种对多头自注意力机制添加优化措施后的模块）挖掘用户行为序列中存在的隐性兴趣,同时利用用户的显性反馈信息抽取其显性偏好。在实际场景中,用户的兴趣一直在动态变化,所以我们使用基本注意力机制分别学习用户显性偏好和隐性兴趣的动态变化关系,将最终学习到的显性偏好和隐性兴趣融合并输入到深度神经网络中学习更深层次的信息。最终,在稀疏程度不同的数据集上的实验结果表明该模型在召回率（Recall）、归一化折损累计增益（Normalized Discounted Cumulative Gain,NDCG）、命中率（Hit Rate）三个指标上均取得了与当前流行的同类模型相比更好的效果。（2）结合因子分解机和多头自注意力模块提出了基于用户行为交互的推荐系统排序模型DBIN（Deep Behavioral Interactive Network,深度行为交互网络）。该模型将用户行为交互划分为一阶、二阶和高阶交互。模型保留原始的序列行为作为一阶交互行为特征,这在一定程度上使模型具备更好的记忆性;利用因子分解机获取二阶交互行为,即学习行为序列中的二阶交叉行为特征表示;使用添加辅助损失函数的多头自注意力模块捕捉高阶交互行为的特征表示,辅助损失函数能够显著提高特征表示的准确性。最后使用普通注意力机制学习不同种类交互行为对候选物品的影响因子,并采用多层感知机预测用户的点击概率。该模型采用点击率预估领域常用的检验指标AUC检验模型的排序性能,同时使用Rela Impr衡量对模型的相对改进,实验结果显示DBIN模型在三个不同的公共数据集与一个私有数据集（豆瓣电影）上相比当前流行的同类模型均取得了不错的提升。（3）在本文提出的推荐算法基础上设计开发了一个个性化电影推荐系统。该系统首先使用融合用户显隐性兴趣的召回模型UEIIN从完整电影库中召回用户最感兴趣的N部电影,接着采用基于用户行为交互的排序模型DBIN对N部电影按照点击率从大到小排序,最终将排序后的电影列表输出给用户。这种架构明显提升了个性化电影推荐的精准度,有很好的现实意义。