信息技术的快速发展，不断促使人们的生活方式由线下转为线上。推荐系统通过用户历史行为记录，进行信息过滤和用户兴趣定位，提升用户的线上体验质量，是机器学习中解决信息过载问题的核心技术，在电子商务、新闻、视频、广告等领域已产生了巨大的经济效益，受到了了学术界和工业界的广泛关注。但是用户的购买、浏览等历史行为数据具有高度的稀疏性和长尾效应，难以准确地捕捉用户的信息需求，辅助信息的有效利用成为了提高推荐系统精度的关键。一般情况下，推荐系统中，除用户的浏览、购买、收藏等历史记录外，还包含了大量的辅助信息数据，如用户的年龄、地域、标签等，物品的描述文本、图片、评论等，这些辅助信息同样易于收集，并且能够更直观地体现用户行为和用户兴趣之间的关系。在这些辅助信息中，用户的评论文本是一类被广泛用于提高推荐精度的辅助数据。相较于其它的辅助信息，使用评论文本有着如下两个方面的优势。(1)评论文本中包含丰富的语义信息，可以直观地描述用户兴趣点和物品属性、特征等之间的内在关系。(2)评论文本易生成个性化的推荐解释，可提高推荐系统的因果解释能力。本文基于深度学习算法，融合评分数据和评论文本数据，通过挖掘文本中的语义信息，提高推荐结果的准确度以及推荐结果的可解释性，主要工作概括如下：
　　(1)基于现代自然语言处理技术，本文提出了一个适用于推荐场景的文本特征提取方法，可以有效地提取来自评论文本数据中的语义特征信息，提高推荐的精度。通过引入注意力机制，将文本中不同的词语赋予的不同权重，高亮权重大的词语，作为文本的主要特征描述。同时，还设计大量的实验来验证所提出的文本特征提取模块对于精度提升的有效性。
　　(2)借助于深度学习的技术，本文实现了一个基于深度学习的融合用户评论文本的推荐算法框架。这个算法框架可以同步学习用户的喜好信息，和用户评论文本数据中的语义信息。实现端到端的训练，方便进行模型的训练、测试和部署。
　　(3)提出了一种新颖的异质信息特征融合方法，将用户和物品的不同特征进行有效的融合和协同学习。通过在框架内部和多种特征融合方法进行大量的实验对照分析，充分证明了本文所提出方法的有效性和合理性。同时与多种前沿方法相比，也取得了优越的推荐结果。