传统的推荐系统假设用户在过去一段时间内对一些商品比较感兴趣,则相似度较大的用户也可能有相同兴趣。但用户特征不会稳定不变,原有特征也会随着时间而转移。考虑到基于协同过滤的推荐系统忽略了用户兴趣转移这一特征对用户相似度的影响,因此,根据用户兴趣变化,基于行为序列建模的推荐可以提高推荐质量。本文主要围绕三部分展开。第一部分,通过移动网络大数据的用户行为数据挖掘出用户的潜在兴趣特征,结合用户偏好、数据类目属性以及用户行为事件建模用户的兴趣特征转移模式。第二部分,通过需求分析、功能概述、架构设计、数据库设计四个步骤,设计基于用户兴趣转移模型的推荐系统。第三部分,基于前两部分的课题成果,预测用户未来的兴趣演进,并基于模型预测的结果,实现基于用户兴趣转移模型的推荐系统。本论文首先通过研究常见的推荐模型推荐的现状与不足,明确了用户兴趣转移模型应用于推荐系统的重要意义。通过数据预处理过程,提取出用户兴趣转移路径特征。在此基础上,本文改进了阿里巴巴的深度兴趣转移网络算法,提出了 Conv-DIEN模型。在Amazon Books数据集上的验证表明,本文提出的算法显著优于基准算法,达到较好的建模效果。接下来,进行基于用户兴趣转移模型的推荐系统设计。结合现有需求讨论该系统的主要功能,并规划推荐引擎的核心流程,包括用户历史兴趣转移数据获取、对用户兴趣的实时建模以及线上个性化精准推荐的实时推荐流程。在系统实现方面,本文从系统需求出发,进行接口定义和技术选型,完成了基于TensorFlow的推荐系统代码设计与实现,并将推荐系统部署到云端。对比其他同类系统的特点,对本文提出的系统的可扩展性、性能进行分析,最后结合互联网推荐算法的发展趋势,得出基于用户兴趣转移的推荐系统存在的重要意义。