随着信息科技的逐步发展,人们越来越能更加快捷方便地获取信息。但网络技术的迅猛发展与网络信息量的快速增长,却使人们逐渐迷失在大量无效信息的包围中。信息超载问题伴随着信息科技与互联网的发展逐渐被人们重视、研究,由于信息超载问题使得人们在面对海量信息时无法有效获取自己感兴趣或者对自己真正有用的信息,使得信息整体的使用效率降低。与搜索引擎依靠特定策略和算法对用户提交的关键词进行搜索不同,作为解决信息超载问题的一个行之有效的办法,推荐系统通过研究用户的兴趣偏好与交互历史,进行个性化的计算,由推荐系统发现用户的兴趣点,从而引导用户发现自己的信息或商品需求。一个好的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关系,让用户对推荐产生信赖关系。推荐系统领域近年来发展十分迅速,现已广泛应用于诸多领域。同时,学术界一直对推荐系统的研究保持高度热情,使得推荐系统逐步形成了一门独立的学科。在推荐系统中,餐厅推荐因其实用性一直是十分热门的研究领域。为了缓解推荐系统常见的数据稀疏、冷启动、可解释性、推荐的多样性等问题,餐厅推荐算法在使用用户侧信息、餐厅侧信息、用户-餐厅交互评分的基础上,往往引入各类异构数据,比如文本信息、社交关系、视觉信息等。其中,视觉信息作为十分重要的辅助信息之一,在餐厅推荐算法中具有举足轻重的地位。在引入视觉信息的餐厅推荐算法中,模型能挖掘用户对餐厅的视觉信息兴趣点,更容易、有效地进行个性化推荐。此外,餐厅的多视角视觉信息（比如,食物、饮品、餐厅内景、餐厅外景等）表达着餐厅不同视角的视觉信息。通过建立相应模型,研究人员能有效分析出用户在不同视角下的视觉偏好分布,从而对用户进行更加精准的个性化推荐。基于此,本文的工作主要分为以下几个方面:（1）基于多视角视觉特征信息,本文提出一种以隐式反馈数据作为输入的餐厅预测排序模型。利用深度卷积网络提取图像的视觉特征（视觉信息）,并将其集成到协同过滤框架中。为了更好地进行个性化推荐,将多视图视觉特征通过用户权重进行融合。用户相关权重反映了该用户个性化的餐厅视觉偏好,用户之间的权重是不同的、独立的。模型被应用于两个真实的餐馆评论数据集进行实验测试,并为用户提供个性化的推荐。实验结果表明,具有多视图视觉信息的模型比没有或只有单视图视觉信息的模型具有更好的性能。（2）在深度学习的推荐模型基础上,本文提出一种基于层次注意力模型的餐厅推荐算法。该算法模型由两层注意力层组成:上层为类别注意力层,下层为图像注意力层。模型通过该层次注意力实现了对同一类别下的多幅图像（图像注意力层）和不同类别之间的图像（类别注意力层）分别进行建模。在注意力机制的帮助下,实验结果表明,该模型能有效追踪用户对于餐厅不同类别视觉特征和不同图像视觉特征的个人视觉偏好,并结合深度学习模型对用户进行个性化餐厅推荐。（3）为了挖掘餐厅视觉信息基于自身的表达,本文引入自注意力机制,提出了一种新的深度网络模型,将不同类别的图像作为推荐的辅助信息,利用自注意机制逐层分析单一图像内部、图像与图像之间、图像类别与图像类别之间用户的视觉注意力分布。另外,本文设置了一个有效的采样策略来针对大量的冗余图像进行简化。预测模型采用用户因素和餐馆因素的余弦相似度,并结合视觉信息。利用预先训练的神经网络从多类图像中提取餐馆的视觉特征。实验结果表明,该模型能有效对用户进行个性化餐厅推荐。随着互联网中越来越多的多源异构数据能够被获取,如何在推荐系统中融合多源信息,捕捉数据内部之间复杂的关系,成为推荐系统领域重要的研究课题。本文工作以现实中的图像信息着手,致力于发掘图像信息与静态数据之间的数据关系。相比于单一视觉信息表达,本文引入了多视角视觉特征,基于更加丰富的视觉信息,本文分别提出了带权重的视觉融合向量,基于层次注意力和基于自注意力的视觉特征融合方法。本文主要研究围绕餐厅的个性化推荐算法展开,利用传统的或深度学习的协同过滤方法对用户与餐厅建模,探索用户对餐厅的个性化喜好,并以此排序和作出推荐。