近年来,随着电子商务的快速发展,推荐算法受到越来越多的关注,而在网上平台涌现出的大量用户、产品、评论等相关信息,也为推荐算法提供了重要的参考。本文将从用户、产品之间的交互关系建模和使用文本评论构建用户、产品画像入手,提出一种结合两者信息的推荐系统。对于推荐系统来说,合理地构建用户、产品画像并对用户和产品之间的关系进行合理的表示和学习必不可少。基于神经网络的推荐系统通过对用户、产品的向量表示后,使用拼接等方式并加以激活函数,可以合理地捕捉用户产品之间的交互关系,从而对最终的推荐评分预测产生更好的估计。实验表明,相较于传统的推荐算法,基于神经网络的推荐系统能够更好地完成用户产品之间关系的表示、学习和预测。除了用户/产品本身购买/被购买的信息,购物平台通常还会提供另一项重要的参考——用户写下的评论。评论通常是用户在购买商品后自发写下的评价,往往反映了用户本身的偏好和产品特性。通过利用评论中的有效信息,我们一方面可以把其作为对用户、产品画像的补充,另一方面,我们可以从中获取系统是否推荐的理由,可以增加推荐系统的可信性和用户的体验。对于推荐系统来说,评论中较为重要的信息通常主要包含两点,一是文本评论中包含的评价词,二是文本评论的情感极性。我们可以使用情感分析技术来分析它们,两项任务之间存在一定的关联,评论句的情感极性通常取决于句子中出现的评价词。因此,我们使用了一个层次化的网络模型联合学习这两项任务,底层通过注意力机制捕捉句子中对情感语义表达更重要的评价词,上层学习情感语义信息的表示。在后面的实验中我们发现,我们提出的层次化网络结构能够有效地从评论句中获取评价词,并分辨句子的情感极性。我们从上述的工作中得到启发,使用评论信息对用户产品之间的交互关系进行补充。目前很少有研究同时考虑评论级别和词级别的重要性。我们提出了一种基于层次化注意力的可解释性推荐算法,首先对用户产品之间的交互信息进行合理的表示,再使用层次化网络分别处理用户、产品相关的评论,作为对用户、产品画像的补充。在层次化网络中,我们先使用了评论内的注意力区分评论句中不同词的重要性,然后使用评论间的注意力区分不同评论之间的重要性。对来自亚马逊的四个真实数据集的实验表明,与几种最先进的方法相比,我们的模型在推荐评分预测方面取得了改进。另外,我们在测试数据中抽取了几个评论例子,并对其评论级别和词级别注意力做可视化的展示,验证了模型对于选择更重要的词和评论的有效性。