在信息迅猛增长的今天,推荐系统在缓解信息过载方面发挥着关键作用。众所周知,推荐系统基于用户的历史行为数据,利用自身的算法逻辑,筛选并匹配出用户偏好的项目。目前推荐系统的理论体系与技术应用都已趋于成熟,它广泛应用在需要推荐服务的各个领域中,包括电子商务、在线新闻及社交媒体网站。在推荐系统的研究初期,大多数的研究针对于更复杂的算法、更具普适性的框架,并未过多关注实验数据问题。目前很多的推荐系统利用单一的评分数据作为验证推荐效果的实验数据。用户的评分的确可以反映用户对项目的满意度,也可以预测用户的潜在需求,但评分数据也存在一些问题,这一数据存在固定的取值范围,用户无法用更精确的数值来描述自己对物品的评价,而且可能因为某些错误操作,该评分数据无法完全代表用户对项目的真实意见。另一方面,矩阵分解法是协同过滤方法中常用的方法之一,它将用户与项目构成的评分矩阵分解为两个包含潜在特征的用户、项目矩阵,通过将分解的两个矩阵进行内积计算来完成预测。矩阵分解法应用广泛且效果明显,但该方法在预测过程中存在一定的限制。在低维度的潜在空间对复杂的交互行为进行预测时,矩阵分解会因为简单的内积计算进而造成较大的误差。针对以上提及的两个问题,本文提出了一个融合多种技术的系统框架。该框架旨在改善实验数据,利用贴近用户真实意见的分值进行推荐预测,同时该框架也致力于改善传统矩阵分解推荐方法存在的限制。近几年的研究指出,用户的评论反馈中的意见具有很强的预测性,应该应用到推荐系统中。目前也已有许多基于用户评价反馈进行推荐的论文成果,通过利用文本分析与意见挖掘等技术从评论中提取出主题、意见、情感极性等信息。为了充分利用现有数据、从数据集中提取尽可能多的信息,本文采用一种基于词典的意见挖掘方法来提取评论数据中隐藏的用户观点、辅助用户评分数据,从而做出更精准的推荐。同时,为了解决矩阵分解在预测过程中造成的偏差,本文结合了深度学习领域的知识,引入了一个深度神经网络模型。通过神经网络构建推荐算法模型替代矩阵分解中的内积,学习用户与项目之间的交互函数。最后本文使用了公开数据集Yelp进行实验,验证本文提出框架的有效性。