由于互联网行业的持续发酵以及科学技术的不断发展,信息的输出呈现爆发态势,这也导致信息过载问题的出现。曾经,人们获取知识的主要手段是依据不同分类目录进行检索,之后进化为通过搜索工具(例如,搜索引擎)进行主动式搜索。但以上方式都是基于信息消费者知晓自我需求,并且有根据需求去进行自我发掘知识的欲望。当主动探求的欲望达到瓶颈,信息过载问题就会尤为凸显。这时,一种可以自行发掘用户需求、满足用户兴趣的新型信息获取方式就随之应运而生,这种方式就是推荐系统。推荐系统的主要任务就是沟通信息生产者和信息消费者,一方面将信息生产者生产的信息推送给目标客户,另一方面为信息消费者寻找感兴趣的相关信息,而这一过程无需显式地提供目标需求。深度学习方法在诸多领域都取得了卓越的成效,使用深度学习方法来解决推荐问题是当前推荐模型研究的热点之一。神经协同过滤推荐框架就是一种使用神经网络手段扩展传统协同过滤的一种深度学习代表性方法。但无论是传统推荐模型还是基于深度学习的推荐模型,都会面临数据稀疏问题。缓解数据稀疏问题的一种方法是使用边信息例如社交关系数据进行扩展。当前的神经协同过滤方法未能引入社交信息以提升推荐效果,本文以提高推荐质量为目的,融入社交关系数据的同时使用注意力机制网络扩展用户和项目隐式特征向量的定义,从而构建出融合社交信息的注意力推荐模型,主要研究内容如下:(1)针对推荐系统中常见的数据稀疏和冷启动问题,引入社交关系数据来提升推荐质量。使用边信息来缓解数据稀疏问题是一种常见的解决方法,这里使用社交信息来扩充数据内容,本质上是通过辅助信息降低数据的稀疏程度,从而使推荐模型可以获取更加丰富的内容。(2)使用深度学习中的注意力机制网络来建模包含社交信息的隐式特征向量。为了使基于深度学习的推荐模型能够有效利用社交关系数据,这里需要扩展用户和项目隐式特征向量的定义,而有效融入社交信息并扩展隐式特征向量的一种合理方案就是使用注意力机制网络。(3)基于神经协同过滤框架,通过横向与纵向关联的扩展,得到最终的推荐模型。神经协同过滤框架已经被证明是执行推荐任务非常有效的框架,在该框架基础上进行横向关联和纵向关联的扩展,可以较为便捷地得到新的推荐模型实例。最后,通过一系列实验来验证本文所提出模型的有效性、模型整体构建的必要性以及模型参数的影响。同时也通过实验说明了本文提出的模型有缓解冷启动的效果。