近年来互联网行业发展迅猛,数据量呈指数式增长,信息过载问题也日益严重。推荐系统作为一种解决手段已被广泛采用,推荐系统可以帮助用户根据历史记录中找到用户自身偏好。这种便捷、智能的系统已在用户中非常流行。随着推荐系统的发展和企业间的竞争,提高推荐系统的准确性已成为企业增强核心竞争力的关键。推荐系统通过信息过滤为人们提供有价值的信息,基于矩阵分解的推荐模型已被广泛应用于推荐系统中。但是在数据稀疏程度高时,这种模型的推荐效果不佳。为了缓解数据稀疏的问题,许多推荐模型利用了附属信息,基于评论的推荐模型是其中一种。它将评论信息作为辅助信息来提取用户特征和项目特征,缓解数据稀疏带来的冷启动问题。但是这些模型普遍没有考虑评论中单词或短语的权重以及评论中的序列信息,因此推荐的质量受到限制。同数据稀疏问题一样,数据孤岛问题也会导致推荐效果受到影响。由于商业竞争和数据隐私等因素导致许多业务类似的公司之间数据不共享。因此在推荐时会因为单一公司数据量和数据类型不足影响推荐效果和用户体验。解决这种数据孤岛问题可以采用联邦学习和推荐系统相结合的方法。基于联邦学习的推荐模型采用分布式结构联合各个不同客户端的数据,使得推荐模型能利用更多的数据类型进行模型训练以提高推荐性能。针对上述推荐系统存在的问题,本文从以下两个方面进行研究:（1）基于局部注意力和GRU的推荐模型。本文提出了一种结合局部注意力和门控循环单元的推荐模型（Deep Recommendation Based on Local attention and GRU,DLAG）。DLAG模型的思路如下:首先使用局部注意力为评论中的单词或短语分配权重。其次将带有权重的评论信息送入卷积神经网络提取评论特征。得到用户特征向量和商品特征向量后再利用双向门控循环单元提取出评论之间的序列信息,并生成最终特征向量。最后,利用神经协同过滤算法预测用户对商品的评分。该模型通过对评论的单词进行加权和提取序列信息的方式缓解数据稀疏的问题。通过对三个不同的数据集进行训练,实验结果表明,DLAG模型在特定数据集上的推荐性能优于其他模型。（2）基于联邦学习的推荐模型。用户的购买数据普遍分散在各个网购平台,而组成这些购买数据的特征相似,它们能映射在同一特征空间,这样就为联合这些数据训练推荐模型提供了方便。为了使DLAG模型在这种数据分散情况下推荐效果更佳,本文提出利用联邦学习的思想训练DLAG模型（Fed-DLAG）,模型采用的算法为联邦平均算法（Fed AVG）。该算法需要多个客户端和一个中央服务器共同协作完成推荐模型的训练。首先中央服务器初始化模型参数并为各个客户端分配权重,其次中央服务器在客户端上传梯度时根据权重进行加权汇总,最后再向各个客户端分发中央服务器更新后的参数。这一过程会循环多次直至模型收敛。本文在此基础上增加了差分隐私算法来实现上传梯度时的私密性,并在模型训练时控制客户端训练的轮次,减少了多余的通信成本。实验结果表明,Fed-DLAG模型能够保证用户数据隐私的情况下与DLAG模型的推荐性能相当。