随着网络对人们生活方式的影响越来越大,人们可以在社交平台中直接发表自己的看法,也可以在电商平台中对一些自己使用过的产品发表一些建议。人们的情感信息都隐藏在这些文本评论中,通过人工智能手段可以从中挖掘出有价值的信息特征,这些信息对企业、社会的发展也有很大的帮助。自然语言处理技术的应用领域包括情感分析、机器翻译、语音识别等等。情感分析使用特征提取和情感分类两种主要方法对用户的文本信息进行处理。在推荐系统领域中可以基于用户对商品的显性评分做物品推荐,也可以通过情感分析的技术对用户做一些个性化推荐。通过挖掘用户历史行为数据信息进行个性化推荐,不仅能够提升用户的体验感,而且还能为商家带来收益,也能够进一步优化服务系统。因此本文选择Amazon平台中的电商数据进行情感分类任务,并且基于情感分类任务中的情感分析模块进行个性化推荐,主要的研究内容如下:（1）本文设计了BERT-CNN-Bi GRU（BCB）情感分类模型,该模型主要解决了静态词向量表达能力不足问题和传统情感分类模型对文本的情感特征提取能力不足的问题。在文本的预处理阶段中,经过去重,分词等处理后,使用BERT预训练模型来获取动态词向量,这种方法不仅将位置信息、词性信息等特征融入到词向量中,而且还能够得到更深层的词语特征信息,也能很好地缓解中文语义偏差问题,使得词向量具有更加丰富的语义特征。在情感分析模块,使用CNN与Bi GRU的组合神经网络模型提取用户评论文本中的特征信息与情感特征。其中CNN网络适用于获取文本的局部特征,Bi GRU网络提取文本的上下文语义,将两种不同特征进行组合,能够得到深层次的信息特征,提高情感分类模型的性能,这种方法能够弥补单一的CNN网络或者Bi GRU网络提取情感特征的不足。最后在公开的Amazon电商数据上进行实验,实验结果表明BCB模型优于其它对比模型,提高了情感分类的性能。（2）本文设计了CNN-Bi GRU-FM（CBF）个性化推荐模型。很多传统的推荐模型都是基于用户显性评分去做物品推荐,忽略了用户评论文本中包含的隐藏的用户信息和商品特征信息,也不能很好地解决数据稀疏的问题。该模型在编码层中使用上文情感分类模型中的情感分析模块,充分挖掘用户评论文本得到用户和商品的特征信息,同时也可以缓解数据稀疏的问题。首先将中文文本向量化,然后在编码层中提取用户特征和商品特征,将两种不同特征空间的向量通过特征融合层进行特征融合,并且进行特征排序,最后输出用户预测商品的评分。经过实验表明,该模型与设置的对比模型相比推荐精度更高,提升了推荐性能。