在如今的信息化社会,人们每天要面对着海量的信息并进行筛选。如何在复杂的数据中寻找到自己最关注的信息成为了一个重要而急迫的问题。个性化推荐系统作为筛选信息的核心技术,一直受到学者和研究人员的密切关注。传统的个性化推荐技术在推荐准确性方面已经取得了成功。但这些传统的推荐算法具有黑盒模型的不可解释性,深度学习在这方面尤其明显。“系统应如何向用户解释这些建议”这一基本问题尚未引起足够的重视。缺乏透明度使用户陷入两难境地:用户只能通过采纳建议的措施(例如购买排名靠前的商品)来评估推荐质量,但是推荐系统应该首先让用户建立对系统的信任。基于这些原因,推荐的可解释性已经变得和准确性同等重要,如何研究出准确性和可解释性效果同样好的推荐模型已经变成当前的热点问题。本文融合了属性和评论两种常见信息,以推荐系统准确性和可解释性作为研究重点,进行了以下工作:(1)提出了一种新的融合属性和评论的可解释性评分预测推荐模型(NERAR)。该模型融合了属性特征和评论特征的信息,使用基于树的模型从辅助信息中学习属性特征,然后使用时间感知的门控循环单元(T-GRU)对用户当前评论特征进行建模;利用卷积神经网络(CNN)处理商品评论特征。最后利用因子分解机(FM)融合用户和商品向量得到最终结果。在多个评论和属性的融合过程中,本文使用了目前比较流行的注意力机制来融合多种信息,和简单的平均求和的算法相比,注意力机制更符合同类型信息对于用户的不同吸引力特性,不同的信息在用户最后对商品的评分过程中也有着不同的作用。最后根据学习到的注意力权重来选取对应的信息作为推荐的解释。在Amazon数据集上进行的大量实验表明,我们的模型在准确性方面优于最新的推荐模型。实验给出的例子也表明我们的模型可以提供充分的解释。(2)将可解释性推荐模型应用于吉林省重点科技研发项目“大数据和移动互联时代下的快速知识共享系统研究、开发和应用”。模型利用论文中的摘要信息作为模型中的评论文本信息,同时利用用户和商品本身的属性信息得到推荐结果和对应解释,取得了良好的效果。