近几年来,面对网络信息爆炸式的增长,传统的通过用户历史行为的方式对用户进行推荐已经不能满足系统的推荐需求,越来越多的人们开始通过在互联网上对物品进行评论的方式来表达对物品的喜爱程度,甚至有很多音乐、电影、团购平台提供了丰富的用户评论模块,弱化了传统的用户打分项。在此背景下,将用户评论与用户历史行为数据相结合,对相关推荐算法进行优化,已成为当代推荐系统的一大研究热点。通过对情感分析及推荐系统的国内外现状研究发现,从用户对产品的评论中可以挖掘出大量的有效信息,但现有方法往往会忽略在情感分析中较为重要的局部上下文信息,且无法很好的将情感分类结果应用到推荐系统中。如何通过情感分析技术将评论文本较为准确的进行分类,以及如何融合用户评论情感及原始评分数据以实现更好的推荐性能,是本文将要深入研究的两大重点。针对情感分析技术在推荐系统中的局限性,论文首先对主流的推荐算法和文本情感分析方法进行分析和研究,选择基于矩阵分解的推荐算法、Bidirectional Encoder Representations from Transformers（BERT）预训练语言模型和Bidirectional Long Short-Term Memory（Bi LSTM）网络作为实验的理论基础。其次,针对中文电影用户评论评分数据集,使用基于中文全词覆盖的Chinese-BERTWWM（Ro BERT）模型进行情感分析。在此基础上将Ro BERT模型与Bi LSTM网络相结合,提出Ro BERT-Bi LSTM（RBB）情感分析算法模型。实验结果表明,本文提出的算法与其他网络模型相比,在情感分析五分类效果方面有着明显的创新和优势。在可获取用户评分及评论的应用场景下,针对只通过情感分析或用户打分的方式推荐准确率较低的问题,将RBB算法计算出的用户评论分类结果与用户原始评分矩阵相融合,以达到更好的推荐效果。在RBB实验的基础上,提出基于情感分析的随机森林融合特征向量的矩阵分解混合推荐模型Ro BERT-Bi LSTMFSVD-RF（RBB-FRF）。实验结果表明,RBB-FRF算法在推荐结果上明显优于其他的方法,可以很大程度上融合评论情感分类及用户评分,优化推荐算法的准确率。