人格是一种心理构造,可用于描述和解释人类的行为,是一种推荐系统领域内尚未被应用的非结构用户数据。人格作为人类心理特质的直接映射,可对人类偏好产生重要影响。近年来,互联网的海量数据给人们带来严重的信息过载问题,导致用户难以准确获取与其需求相符合的信息。推荐系统能够根据用户历史行为数据,分析其潜在偏好,为用户提供个性化推荐,成为缓解信息过载问题的有效手段。现有推荐系统主要是基于历史信息的推荐,以用户评分矩阵作为主要的用户偏好信息。用户评分矩阵通常较为稀疏,而推荐系统模型期望稠密输入,稀疏输入带来推荐准确性的下降,因此现有推荐算法普遍面临的评分矩阵稀疏,难以分析提取用户偏好的问题,也造成了实际推荐效果不佳。基于用户评论和其他隐式反馈信息的推荐算法在解决冷启动、推荐准确性以及可解释性等方面具有重要潜力。然而当前受到文本信息挖掘技术、用户潜在特征建模技术等方面的限制,基于评论信息分析的推荐算法进展并不明显。目前的研究广泛认为基于模型的推荐结果优于基于历史信息的推荐,特别是在稀疏数据上效果更好。但当前以模型为基础的协同过滤推荐系统存在仅对项目特征深入分析建模,未对用户特征进行分析建模的问题。没有用户特征,推荐结果无法匹配用户个性。用户特征模型的缺失,同时也导致了冷启动问题和数据稀疏问题,需要大量的用户数据和历史行为信息才能为用户推荐满意的项目。针对上述问题,提出两种融合人格特征提取的推荐算法。算法一融合人格特征的概率推荐模型,构建人格特征提取神经网络,从评论信息中获取人格特征进行用户建模,将人格这种非结构数据转换为结构数据。提出的Per-Bert MF概率模型依据用户人格得分和其他上下文信息计算得出最终预测评分矩阵;算法二融合人格特征的图神经网络模型,参照用户-项目关系对构建异质二部图结构,将用户及项目作为图节点。构建人格特征提取神经网络,从评论信息中获取人格特质进行用户建模,将用户及项目的人格得分作为节点信息存入图节点。提出基于图注意力机制的P-GAT图神经网络模型获取用户及项目节点的最终表示,使用向量内积获得推荐系统预测结果。通过人格模型的引入,解决推荐系统“用户-项目”模型面临的用户特征缺失问题,提取人格特征作为用户本质特征,为个性化推荐系统的改进提供了新的思路。