随着互联网的快速发展,信息过载现象日益严重,用户如何快速地找到需要的信息变得越来越困难。推荐系统能够精准的将信息推荐给用户,是解决上述问题的重要工具。神经网络具有强大的特征提取和特征建模能力,被广泛应用在推荐系统中,然而,神经网络学习的特征和传统的算法融合时,统一权值融合用户或项目的特征,会导致模型的性能受到限制。针对上述问题,本文分别对自编码建模的项目特征和深度神经网络建模的高阶特征进行元素级别的重要性建模,有效地提升了推荐性能,解决了神经网络学习的特征和传统的算法融合不充分的问题。本文主要做出如下贡献:（1）针对自编码神经网络对项目的特征建模时,忽略了特征在元素级别具有不同重要性的问题,提出新的方法HCF-DAE。该方法在自编码神经网络和SVD++混合推荐算法基础上,在元素级别对项目特征的重要性进行建模。该方法引入注意力机制解决项目特征统一权值建模的问题,通过使用随机梯度下降法学习权值参数,筛选出有用的项目特征,提高了推荐的性能。（2）针对深度神经网络建模的高阶特征预测用户对项目的点击率时,每一维的贡献度不同的问题,提出基于隐式高阶特征重要性建模的点击率预测方法。该方法使用注意力网络对高阶特征每一维的重要性进行建模,在元素级别建模高阶特征的权值,弥补了高阶特征统一参数融入模型的不足。该方法在使用注意力机制建模高阶特征重要性的基础上,灵活的将注意力网络融入不同的混合模型,得到两种不同的推荐方法,以适用不同的推荐状况。（3）本文在多个公开数据集上,对HCF-DAE和基于隐式高阶特征重要性建模的点击率预测方法进行实验,通过大量的对比实验,将提出的模型和以往的模型进行对比,证明本文提出的方法能将神经网络建模的特征更好的融入传统的推荐算法中,从而提高推荐的有效性。