随着电子商务购物网站用户和商品的急剧增长,用户的需求和商品的种类也千变万化,个性化推荐系统开始面临数据稀疏性的问题。个性化推荐系统中传统的推荐算法在面对稀疏的评分数据的时候,由于共同评分信息不足而导致推荐结果难以准确。因此,解决评分数据的稀疏性问题至关重要。而融合推荐则是一种能够有效解决评分稀疏性的方法。融合推荐就是通过融合评分数据和其他类型的用户反馈数据,比如评论文本、图像等,到传统的推荐算法中,利用用户反馈数据丰富的用户偏好信息和商品特征信息来填充评分数据的稀疏。有学者通过改进基础的矩阵分解模型和BP神经网络模型来实现融合推荐算法。现有的基于矩阵分解的融合推荐算法大多受限于简单的融合算子提取深层特征的有效性,很容易造成信息的缺失,导致融合效果差,人工设计也耗费较多的时间和精力。同样地,现有的基于BP神经网络的融合推荐算法依然需要传统推荐算法的介入和辅助才可完成融合推荐的任务,融合过程较为复杂,依赖神经网络和其他算法之间的衔接,执行效率低。可见,当前的两种融合推荐算法依然存在局限性,需要进一步降低它们融合的复杂度,提升融合效果,更高效地解决数据稀疏性问题。因此,本文从两种改进的思路出发,即改进学习目标的思路和改进模型结构的思路,分别对它们进行了相应的改进。其中,基于改进学习目标的思路提出了改进的矩阵分解的融合推荐模型(Matrix Factorization Fusing Reviews,MFFR),其学习的目标不再是单一的评分数据,而是同时学习评分数据与评论文本,直接在分解的时候同步地将两类数据进行了融合。另一方面,基于改进模型结构的思路提出了改进的BP神经网络的融合推荐模型(Neural Network Fusing Recommendation Model,NNFR),在网络中设计了融合层,并在融合层将两类数据直接融合,避免了以往研究中传统推荐算法的介入。在三个电商购物网站公共数据集上的实验的结果证明了,对比传统的推荐算法,本文提出的两种融合推荐模型具有更好的性能,能够有效地挖掘出用户深层次的特征从而填补原始评分数据的稀疏信息,获得更高的推荐精度。