在大数据时代,人们被海量的信息所淹没,使得人们无法有效的筛选出对自己有价值的信息,然后进一步做出决策或选择,这种现象就是信息过载,这已经成为互联网时代不可避免的问题。而推荐技术的发展为解决信息过载问题提供了一个切实可行的方案,这一方法无论是在新闻资讯、电子商务还是教育领域都得到了广泛的应用。为了实现更加个性化的推荐系统,从而为每个用户提供更加有针对性的建议,首先就要对用户的兴趣偏好进行更加细粒度的建模,只有深入的了解用户,才能为用户提供更有针对性和价值的建议。在对用户兴趣偏好的建模方面,现有的大部分算法只是利用了用户-项目的历史行为交互信息,对于其它的多源数据并没有很好的加以利用,显然这样产生的推荐效果是不能满足用户要求的,也会影响用户的体验。所以,如何更加有效融合与推荐任务相关的多源数据,更加精确的建模用户兴趣偏好,对于为用户提供更好的推荐效果有着重要的研究意义。本文通过对以往的推荐算法进行总结和分析后发现,更好的用户兴趣建模和更加有效的特征组合对提升推荐系统的性能有着重要的作用,本文从这两个基本角度进行研究。为了得到更加有效的特征组合,本文设计了基于深度特征交叉的推荐算法,通过引入特征域的概念,对特征进行更加细粒度的表示,实现多域特征的深度交叉,进一步使用共享参数的方法,解决了因为引入特征域而带来的参数问题,利用深度学习让模型学习到用户-项目复杂的非线性关系,增强模型的表达能力,同时也增强模型的泛化能力,从而可以实现更好的推荐结果。为了有效的利用多源数据实现对用户兴趣偏好的精准建模,本文先设计了一个可以有效融合多源数据的基本模型结构,该结构具有模型可扩展性,并且可以有效的实现多源数据的融合。基于本文提出的融合框架,提出了基于自注意力的表示模型推荐方法。首先使用自注意力机制,建模同一个项目的多个特征对于不同用户重要性是不同的。之后对于用户兴趣偏好的迁移问题,本文利用双向门控循环单元网络处理这种时序关系,对用户兴趣迁移的现象进行建模。本文从上述两个基本角度出发,在特征组合方面,实现了深度特征交叉,挖掘了更多有效的特征组合,在用户兴趣偏好方面,实现了更加细粒度的建模,并且经过实验验证了本文设计的算法的有效性。