随着互联网的飞速发展,人们可以从互联网上获得的信息也与日俱增。而信息的激增也会带来信息过载的问题,人们虽然可以更容易地找到自己所需要的信息,但对自己而言无用的信息也随之激增。为了解决信息过载问题给用户带来的困扰,推荐系统应运而生。在推荐系统技术中,协同过滤算法是使用最为广泛的算法。但协同过滤算法发展至今仍需解决诸如数据稀疏性、冷启动等众多问题。本文针对协同过滤算法的缺陷和现有方法的不足进行深入研究,提出了改进的方案,以此实现更精确的推荐。协同过滤算法的核心思想是根据用户和物品产生的交互来计算用户之间的相似度,再基于此预测用户可能感兴趣的其它物品。在现有的一些研究中,图神经网络被引入到模型中来度量用户之间的相似度,并取得了较好的结果。但现有工作大多没有考虑不同邻域的重要性也不尽相同,未能对邻域进行区分。同时,用户的评论文本中包含着较多的情感信息,有众多研究者也在尝试将评论文本中包含的情感信息用于推荐任务,现有的工作未能考虑融合评论文本中的众多特征来度量用户兴趣度。因此,本文从邻域区分和多特征融合两方面进行研究。本文主要做了如下的工作:1.联合轻量图卷积网络和注意力机制的推荐模型研究。现在常用的协同过滤算法或基于矩阵分解算法来挖掘用户和项目之间的线性关系以用于相似度的度量,或使用神经网络来建立非线性函数。这些算法大多忽视了用户和项目之间的高阶连接关系,而高阶连接关系可以获得更多的协同过滤信号。图卷积网络则可以有效捕获这些高阶连接关系。而现有模型对所有邻域的权重统一给定了一个固定值,未能很好地按照领域的重要程度对领域进行区分。本文通过引入注意力机制来解决这个问题,提出了联合轻量图卷积网络和注意力机制的推荐算法。最后在Gowalla、Yelp2018和Amazon-book三个真实数据集上进行实验,验证了模型的可行性。2.融合细粒度情感分析的推荐算法研究。为缓解数据稀疏性问题,利用用户的评论文本信息也是一个比较流行的研究方法。对于评论本文的众多特征,如果能有效利用并加以融合,对推荐系统性能的提升将会有很大的推动作用。本文主要选取以下三个特征加以融合:针对不同评价的相对情感得分;用户评论文本对其他用户的帮助程度,即评论的影响力;用户的评分与评论表达的情感是否一致,即一致性。同时结合粗粒度层面的兴趣度度量方法来进行推荐。最后在酒店评论数据集上进行实验,实验结果表明,在数据稀疏性问题上,融合评论文本的众多特征可以有效应对该问题,同时推荐算法的推荐效果也得到进一步的提升。