随着电子商务快速发展,推荐系统成为电子商务里是必不可少的工具。目前推荐模型面对的最大问题是原始数据的强稀疏性和高维度,这些问题将会导致模型个性化低和计算效率低。传统的推荐算法是直接利用用户已观看过的行为数据来做分析,但是观众会随着心情随意打分以及某些制片商通过恶意刷分来提高自己的收益,这些行为都会影响最终推荐结果的准确度。针对上述问题,本文对推荐算法中最主流的协同过滤算法进行研究,并且引入文本情感分析来提高推荐精确度。主要研究内容包括:1.针对待分析的原始数据存在强稀疏和高维度等问题,在最近邻模型基础上引入矩阵分解构成混合算法。首先对皮尔逊相似度做改进,使其考虑到更多的隐式特征,可以更精确地计算出用户和项目的各自“邻居”集合。然后用获得的两个“邻居”集合来构建评分矩阵,这个过程相当于提前把信息过滤了一遍,避免遍历其它稀疏数据,从而降低稀疏数据对实验的影响。利用矩阵分解的方法可以加快运算速度,降低时间复杂度和提高推荐精确度。2.传统的推荐算法只分析了用户评分等历史行为数据,这些数据质量的好坏会影响推荐的精确度。通过影评情感分析对泛推结果进行过滤,从而达到精确推荐。针对影评上下文信息带有自身的属性特征和语序不合理性,引入一种特征增强的深度学习模型。在输入层和卷积层之间引入权重分布层,对重要部分进行分析,减少噪音,使处理的特征得到提升。再分别利用卷积层提取不同局部特征,另外在卷积层中加入门控机制来降低使用梯度下降法带来的梯度弥散风险。最后引入序列标注层,使其能够获得高级的抽象特征来表示正确的文本语义。通过实验证明,利用字和词粒度词向量结合为输入,从而解决了歧义词的切分问题,并且证明了利用该模型进行影评情感分析分析效果好于其它几种模型。最后将文本情感分析的结果与推荐模型相结合,增强模型健壮性的同时提高个性化推荐精确度。