电子商务是集计算机科学、市场营销学、管理学、法学和现代物流于一体的新型交叉学科。经过多年的发展,目前我国电子商务的发展速度有目共睹,已经成为全球电子商务的领跑者。伴随着电子商务的快速发展和电子商务平台数量的快速增加,电子商务信息日益丰富,网页数量也出现爆炸式增长,使得广大用户在进行商品选购时“信息迷失”现象越发严重,集中表现为消费者在不同电商平台之间进行商品比选的困难。基于上述背景,近年来,关于跨平台电子商务信息检索与智能推荐系统的社会需求日益强烈。跨平台电子商务信息检索与智能推荐系统的构建涉及异构电子商务平台数据的实时在线爬取、信息重构和基于用户选择偏好的智能化商品推荐等多项技术。综合国内外相关领域的研究进展,本文以多个电商平台的手机销售网页作为研究实例,以如何实现跨电商平台手机销售信息搜索和智能推荐为重点,围绕主题信息抽取和智能推荐等关键技术进行了相关研究,主要研究内容和研究成果如下:(1)针对跨平台商品信息提取问题,本文利用基于关键词加权的Shark-PageRank算法确定主题网页队列,在此过程中通过加入动态主题库生成的方法来描述主题,使得主题爬虫的查准率较Shark-PageRank算法取得了进一步提升。在此基础上,提出了一种基于模板的网页信息自动抽取方法,该方法首先利用基于结构语义熵的主题信息定位方法在主题网页中定位待抽取商品的属性信息,进而归纳总结抽取路径来构建模板库,最后利用模板库实现商品信息的快速、准确抽取。通过实验结果表明,本文提出的基于模板的网页信息抽取方法在网页信息抽取任务中,查准率和抽取时间均有一定的提升。(2)针对智能商品推荐问题,本文从商品评论的情感分析视角出发,首先通过LDA主题模型从用户评论中抽取商品主题词,然后针对评论文本中不同单词的位置和评论文本中不同的部分对特定主题下情感倾向判断的贡献度不同,提出了一种融合主题词特征的Bi-LSTM+混合注意力机制模型,用于计算用户评论在不同主题下的情感值,最后综合商品所有评论的情感值,利用智能推荐模型计算商品在特定主题下的情感值,以商品在不同主题下的情感值作为推荐依据,结合用户选择偏好特征实现商品的智能推荐。通过实验结果表明,本文提出的融合主题词特征的Bi-LSTM+混合注意力机制模型较之前的方法在平均准确率、平均召回率和Macro-F1值上均有进一步的提升。(3)基于上述研究成果,结合Web前端开发技术,本文针对跨平台信息检索和商品智能推荐进行了原型系统的初步设计和实现。