互联网络技术的快速发展和数据挖掘技术的日益成熟,推动着社会生活中各方各面的信息化建设,深刻影响着我们的日常生活。与此同时各种信息资源在爆炸性增长,无法有效整合成人们需要的内容,造成了“信息过载”现象。在电子商务领域,推荐系统通过分析挖掘用户的兴趣偏好对商品进行过滤和筛选,为用户推荐合适的商品以满足他们的个人需求,同时提高商家的经济效益。然而,传统的协同过滤方法难以挖掘用户和商品之间的相关性,评分矩阵的稀疏性使推荐系统的预测能力受到限制。由于评论文本可以直接反映用户的偏好,更全面地对用户和商品进行建模,评论数据受到越来越多的重视,可以作为评分数据的补充优化推荐效果。目前的方法在评论数据的特征提取、用户/商品特征的融合方式等方面存在着一些不足。因此,本文提出带有门控机制的深度混合推荐模型。首先,为了学习到评论数据中的上下文信息和个性化表示,提出了一种双向门控循环单元网络结合注意力机制的方法提取评论特征。对于评分特征的学习,在嵌入层的基础上利用多层感知机建模评分表示。然后提出了一种门控融合机制以学习不同维度之间的重要性权重,能够自适应地融合两种特征。最后通过特征交互层增强特征之间的交互作用,保留其中的相关性信息,并采用因子分解机进行评分预测。本文在亚马逊商品数据集和Yelp评论数据集上进行实验,并与多个基线模型进行性能对比。实验结果表明,我们的方法预测误差更低,能取得更优的推荐结果,且具有较好的泛化性。它在一定程度上提高了推荐性能,对于推荐结果具有良好的可解释性。