随着机器学习概率学派和贝叶斯学派的逐渐统一衍生出了很多的优秀的融合模型,比如用于文本处理的隐狄利克雷分布主题模型。这个模型极大地推动了自然语言处理领域的发展,近年来这个模型被证实在推荐领域中能够改善推荐模型的准确性、缓解数据稀疏性、增强可解释性。同时,注意力机制也从图像处理迁移到自然语言处理任务中,比如使用注意力网络和主题模型结合给用户推荐用户更加喜欢的产品。为了向用户推荐产品,推荐系统需要预测用户会如何回应一个新的产品,所以发现用户的偏好就显得尤为重要。以前基于隐因子向量的内积来预测评分,但是这种方法极度依赖用户评分矩阵的数据稀疏度。真实推荐场景下评分矩阵往往是极为稀疏所以仅仅使用隐因子模型推荐的质量就会下降。对于推荐可解释性,隐因子模型中的因子无法与现实中的属性实体建立关系,所以无法解释系统为什么给用户做出这样的推荐。在分析了大量的用户购买消费场景后,学者们发现有的用户不仅会给商品评分,而且还会写下自己的购物体验,商品满意度等评论信息。基于此,本文提出了一种2-LDA(Double-LDA)主题模型来同时抽取用户潜在主题因子和物品潜在主题因子。将评论信息作为模型输入的一部分以后,相当于给用户建立了更清晰的偏好特征。在数据稀疏的情况下系统仍然可以给用户做出合理的推荐,缓解了数据稀疏带来的推荐性能下降的问题。而且这些主题因子可以和实体属性互相对应,因此待推荐商品也获得较合理的可解释性。本文属于基于模型的推荐算法范畴,所以本文分析了矩阵分解思想的优点和缺陷。矩阵分解通过内积函数预测未知评分,这样预测的评分导致了只捕获了特征因子之间的线性交互的缺陷。因此本文为了弥补这种缺陷引入一种有效的神经协同过滤框架,神经协同可以处理真实的推荐算法场景中大量的非线性的特征。鉴于评论融合评分,本文将评分和评论建立映射函数关系。通过融合评分信息缓解了数据稀疏带来的冷启动问题,并且增强了推荐的可解释性。基于以上内容,本文在第三章提出了双主题神经协同过滤推荐模型(Double Topic Neural Collaborative,DTNC)。DTNC算法较好地解决了数据稀疏导致性能下降和可解释新问题。但是无论是内积还是神经网络,不同的因子进行交互的时候,不同的因子对于用户的重要程度是不同的。传统方法忽略了这种不同。为了解决这个问题,本文引入了一种自注意力机制神经网络改进DTNC模型。在第四章提出一种基于自注意力机制的协同过滤系统(Double Topic Neural Collaborative-Self Attention,DTNC-SA)。为了验证本文的想法和推断,本文在亚马逊电商推荐数据集上实施了大量的实验。从实验结果表明不论是本文提出的DTNC算法或者DTNC-SA算法都明显优于同策略的其他算法,并且本文还给出了这些算法的具体的流程,以及其中涉及到的一些参数推演的理论证明过程。