随着信息规模的爆炸性增长,推荐系统（RS）作为信息过滤的子系统可以帮助人们对信息进行分类并为其筛选可能感兴趣的内容。协同过滤（CF）作为RS中最有效的方法之一,在学术科研界和工业领域获得了十分广泛的研究和应用。在RS中,用户的反馈机制根据是否能够明确表示用户喜好可分为显式反馈和隐式反馈。大多数现有的CF推荐模型使用显式反馈和隐式反馈中的一种来分析用户的偏好和项目的特征,而不能同时利用二者的不同特性来进行更有效的推荐。此外,大多数模型都是针对评级预测或项目排序任务而设计的,很少有模型可以同时适应这两个任务。基于上述问题,本文提出了一种面向显隐式反馈的CF推荐模型,它能够有效的将显式和隐式反馈结合在一个统一模型中。具体而言,该模型首先对于隐式反馈采用引入注意力机制的深度神经网络CF模型,该模型通过注意力网络来区别不同项目的重要程度,以此来代替传统CF推荐方法中项目相似性的度量,并通过深度神经网络对用户和项目之间的高阶非线性关系进行建模来完成项目排序任务。然后基于显式反馈采用概率矩阵分解模型来完成项目的评级预测任务,并根据预测的评级来为基于隐式反馈的产生的候选项目集合进行重新排序,从而生成用户推荐列表。由此,本文的主要工作可以总结为:设计了融合显式与隐式反馈的CF推荐模型（Collaborative Filtering Recommendation Model with explicit and implicit feedback,EI-CF）。EI-CF模型针对RS研究工作中用户反馈机制单一性问题,从结合显式和隐式反馈的角度设计可以同时完成评级预测和项目排序任务的CF推荐模型。该模型首先根据隐式反馈选出用户最可能感兴趣的项目集合完成项目排序任务,然后根据显式反馈预测用户对候选项目集合中项目的评分,最后将候选项目集合重新排序生成用户推荐列表。本文最后在两个公开数据集上进行实验,并和代表RS不同类别的推荐方法进行对比以验证本文模型的有效性。实验结果表明,本文的模型在这两个数据集上相对于其他方法表现出更好的推荐性能,为基于显式反馈和隐式反馈结合的RS未来发展提供了有价值的参考。