在信息过载的互联网时代,各个行业每天可以产生数以亿计的数据量。为了提高自己的竞争力,企业需要不断地优化自身管理来为用户提供优质的服务,快速准确地向用户推荐当前感兴趣或者潜在感兴趣的产品,深入挖掘利润空间。同时,面对日新月异的产品和服务,用户也希望能够快速定位到自己需要的产品。而人工地筛选和处理数据,为上百万的活跃用户精确地推荐产品会耗费不可估量的人力和物力。因此,设计性能优良的并且具有可解释性的推荐系统对企业提高产品竞争力和开拓市场空间来说具有极为重要的意义。现有的因子分解模型往往不具有可解释性,特征之间的交互是不可预见的。对于企业来说,一个好的推荐系统不仅要有较高的预测精度,更重要的是如何使模型具有可解释性。具有可解释性的模型的优势在于给出预测结果的同时还能在一定程度上提供网络内部特征交互的隐藏的关联信息,从而使得网络内部的“黑盒”机制对企业变得可见,帮助企业制定更可靠的策略。因此,本文设计了一个可解释性的基于域间显式交互的深度网络因子分解模型。该模型的特征交互方式使得域表征向量能够在网络中保持实际意义,从而进一步引入自注意力机制为模型提供可解释性。在此基础上,该模型也在一定程度上提升了推荐系统预测的性能。此外,现有的基于因子分解的集成模型相对于个体模型的性能提升非常有限,无法充分利用个体模型之间的相互作用。因此,本文提出了一个新的集成模型,通过特征融合的方式加强个体模型之间的关联,预测性能相比现有的集成模型有进一步的提升。本文的创新和贡献可分为以下几个方面:·提出了一个新的显式交互深度网络因子分解模型。特征交互方式是发生在域级别的交互,并且可以保持域的维度不变,从而为后边引入注意力机制提供了结构基础。另外,本文还率先采取了子域分离交互的方式,分别利用不共享变量的卷积层进行特征提取,显著地提高了模型的表征能力。·首次把注意力机制引入到高阶的深度网络因子分解模型当中,通过在每个子域引入自注意力机制来学习一个权重矩阵,为模型的预测结果提供了很好的可解释性。·设计了一种显式与隐式交互结合的双流网络结构。其中隐式交互网络是一个向量级特征交互的自编码网络。另外,两个组件的融合发生在更靠前的特征提取层,从而加强了两个组件的相互作用,使得双流模型的性能更加鲁棒。·在Criteo和Movie Lens两个大型数据集上对数据进行清洗和预处理,分别设计了点击率预测和电影评分预测两大任务。接着本文所提出的模型与多个经典的基准模型进行了全面对比,又从多流网络结构的角度和已有的模型进行了对比。对于所提出的模型的可解释性,本文通过把注意力矩阵可视化的方式进行了直观又详细的阐述。在互联网大数据时代,推荐系统对于企业增强自身竞争力,增加用户黏着度,提升利润空间有着极为重要的意义。本文从显式交互,可解释性和多流网络三个方面对推荐系统进行了深入的研究,提出了基于域间显式交互的深度网络因子分解模型。在两个大型数据集上的实验证明了本文所提的模型在真实场景下的有效性。