近年来我国电子商务发展突飞猛进,网购人数呈指数性增长。随之而来,面对电商平台海量商品信息给网购用户带来的“信息过载”问题,基于用户选择偏好预测的商品推荐系统所蕴含的重要商业价值日益引起社会各界的广泛关注,并逐渐成为这一领域的研究热点。从实践应用来看,亚马逊早在2003年便已投入推荐系统的设计与研发,并在其网站上率先实现了基于协同过滤的商品推荐系统,同时带动了电商平台内推荐系统的广泛应用。从技术角度分析,如何采集用户选择偏好并加以利用是智能推荐系统研究的核心问题,即精准用户兴趣模型的动态构建是实现智能推荐系统的关键技术。目前,在这一领域,协同过滤算法虽然取得了巨大成功,但其应用常常会受到评分数据稀疏性等问题的限制,同时近年来的大量应用实践表明,仅仅根据用户评分产生的推荐结果并不能完全准确的表达用户的兴趣偏好。为此,研究人员将研究重点逐渐转向语义更加丰富的商品评论分析。相比于信息单一的评分数据,评论文本不仅能够有效缓解评分数据稀疏性问题,而且其中还包含了用户对于商品最为直接真实的反馈与需求信息,因此更有助于准确刻画用户的选择偏好。基于上述背景,本文从网购评论命名实体识别与情感分析入手,围绕基于网购评论的智能商品推荐技术开展了相关研究,主要研究工作和研究成果如下:（1）针对基于用户评论的细粒度情感分析任务中存在的商品特征识别准确率低和传统的词向量无法获取中文字的多义性等问题,提出了一种融合BERT的商品特征提取模型——BERT-Bi GRU-CRF。该模型在深度学习模型Bi GRU-CRF的基础上,采用Bi GRU和CRF集成的体系结构,通过引入BERT预训练语言模型生成字符向量,增强了原有模型的语义消歧能力。实验结果表明,该模型可以进一步提高从网购评论中提取商品特征的效率和准确性。（2）针对网购用户评论中包含对多个属性词不同的情感极性、属性词及其情感对应不准确和无法充分利用上下文信息等问题,提出了一种融合GCN网络和注意力机制的特征（方面）级情感分析模型。通过与TD-LSTM模型、ATAE-LSTM模型、MGAN模型和CDT模型等代表性情感分析模型进行对比实验,实验结果表明该模型通过使用GCN和注意力机制使得上下文信息得到更充分利用,可进一步提高网购评论中关于商品属性情感分析的准确性。（3）针对传统协同过滤推荐算法常常会受到评分数据稀疏性等问题的限制,同时鉴于仅仅根据用户评分产生的推荐结果并不能完全准确的表达用户的兴趣偏好问题,结合论文在商品特征提取及其情感计算方面所提出的模型算法,通过改进传统的商品相似度计算方法,提出了一种基于细粒度商品情感相似度计算的协同过滤推荐算法及其推荐策略,该算法及其推荐策略的有效性通过在仿真系统内开展的多组实验得到了进一步验证。