当今社会快速发展,数据量激增,产生数据的速率越来越高,信息的迷航和超载的问题越来越突出。对于大众来说,在海量的数据中发现并且快速筛选出符合自己需求的信息比较困难。推荐算法为适应上述改变应运而生并取得快速发展,现在在理论与应用上也已经取得了一定成果。当前推荐算法的主流还是协同过滤算法,但同时协同过滤算法在处理方法的可扩展性和矩阵的稀疏性方面也有所欠缺。人工智能的迅速崛起,获得了大量研究人员的青睐。人工智能中的深度学习领域更是成为解决问题的首选,通过研究人脑的神经系统衍化成深度神经网络,能够将数据中蕴含的复杂抽象特征编码表示为更高级的数据信息,并在其中获取项目与用户之间非线性且有意义的隐含关系。对于非线性且复杂的高维度数据处理具有高效表现,而且特征提取、构造数据复杂结构具有很高的性能。推荐系统通过深度学习的加入弥补了传统推荐模型存在的缺陷,能够实现较高的推荐质量,因此而受到广泛的关注。为了准确获取潜在特征和提高推荐性能,让用户了解推荐结果的由来,便于做出更明智准确的决策。首先提出一种基于深度神经网络融合的协同过滤推荐算法(Interpretable Collaborative Filtering Algorithm based on Deep Neural Network Fusion,CF-DNNF)。CF-DNNF充分利用数据的隐含属性,通过LSTM网络获取其中的文本属性,通过深度神经网络获取其他潜在特质,达到对数据进行完备的特征提取的目的,将得到的包含属性信息的用户和项目特征矩阵作为DBN深度置信神经网络的初始输入,经过DBN网络输出概率得到预测评分,同时使用特征矩阵与已有评论作为输入。为了验证算法的有效性,分别与PMF、SVD和RBMCF算法在Movie Lens数据集和Amazon product数据集上分别进行预测评分的实验比较,CF-DNNF最好指标RMSE值提高了2.015%,MAE值提高了2.222%,上述结果表明CF-DNNF模型有利于增加预测性能。现代大量的推荐算法试图利用潜在特征来表示用户和条目,有黑匣子来描述深度神经网络内部比较贴切,这可能导致推荐系统缺乏透明度,造成结果不容易预测,而且会影响对算法模型的进一步理解调试。当涉及到电子商务网站时,这种透明问题可能会变得很严重,因为潜在的功能不容易被标记出来。为了在推荐系统与其用户之间建立信任,用解释来补充推荐变得很重要,这样用户就可以理解为什么推荐了某个特定的项目,更信任推荐的结果。基于以上分析,本课题在CF-DNNF基础上提出了可解释性的基于深度神经网络融合的协同过滤推荐算法(Interpretable Collaborative Filtering Algorithm based on Deep Neural Network Fusion,ICF-DNNF),在获得特征矩阵后,将特征及已知评论作为Seq2Seq模型的输入,通过Seq2Seq模型的第一部分Encoder,第二部分Decoder,输出对应预测评分的评论作为解释,在Amazon product数据集上验证性能,与PMF、SVD、RBM-CF算法相比,指标tf-idf是最高的,优于这三种算法。