随着深度学习、个性化推荐技术的发展,递归神经网络(Recurrent Neural Netwo rks,RNN)、卷积神经网络(Convolutional Neural Network,CNN)等深度学习模型因结构简单、理论完备等优点被人们应用到文本信息处理领域,以解决文本分类问题。其中受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)也被应用于个性化推荐领域进行评分预测。本文针对海量评论文本的情感数据复杂性问题、个性化推荐领域的数据稀疏性问题和准确率低问题,提出了基于CNN-3C(Convolutional Neural Networ k-three Convolutional)文本分类的SRBM(Similarity Restricted Boltzmann Machine)评分预测与推荐方法。论文的主要研究工作如下:(1)提出改进LeNet-5模型——CNN-3C文本分类模型。建立带标签语料数据集作为训练集,评论数据集作为测试集,对不同样本数情况下主要文本分类算法准确率比较及不同样本数情况下CNN-2C、CNN-3C以及CNN-4C文本分类算法准确率比较,实验结果表明CNN-3C算法优于其他文本分类算法;(2)提出改进RBM模型——SRBM评分预测模型,以CNN-3C文本分类类别输出作为SRBM模型输入,训练SRBM模型进行评分预测,对不同数据稀疏度情况下SRBM与其他评分预测算法准确率比较、不同迭代次数情况下RBM与SRBM评分预测算法比较、不同隐单元个数情况下RBM与SRBM评分预测算法比较、不同迭代次数情况下基于评分的相似度RBM算法(SRBM-score)与SRBM算法比较以及不同隐单元个数情况下SRBM-score与SRBM算法比较,实验结果表明SRBM算法优于其他评分预测算法;(3)提出了基于CNN-3C文本分类的SRBM评分预测与推荐方法,通过采集的京东评论数据集,在不同数据稀疏度情况下对该推荐方法相关性能进行分析,实验结果表明该推荐方法可以有效地提高推荐准确率,同时在一定程度上可以缓解数据稀疏性,拓展了深度学习与个性化推荐领域的视野;