推荐系统是使用用户已经存在的挑选过程或项目间相似关系,来发掘目标用户隐藏的偏好信息或物品,因此具有缓解日益严重的“信息过载”问题的能力,导致获得学术界和工业界的广泛关注并在电子商务、在线学习和数字图书馆等领域加以应用。推荐系统的核心是推荐算法,在目前流行的推荐算中,用户兴趣的预测需要大量用户评分、评论、信任值等这类明确反应用户兴趣爱好的主观性数据。但主观性数据常常比较稀疏,会制约推荐算法的推荐质量,这要求研究人员挖掘更多的用户行为中的存在的隐藏信息来优化推荐算法。本文针对用户历史行为中隐藏的上下序关系展开研究,在用户的历史行为记录中,行为与行为存在一定的关联性,本文经由提取行为间的语意关系来映射行为间的相似性。语意关系的提取采用目前自然语言处理中效果最好的Word2vec技术。Word2vec以内容语义计算行为间相似度,其中作为单词的行为内容被映射到向量空间中,并且向量之间的欧几里德距离被描述为行为之间的相似度。在基于Word2vec的项目语意特征提取中,本文提出融合内容语义和用户评分的推荐模型,在该模型中,首先收集用户的历史行为,将所有用户行为添加进空白词典来建立用户行为词典,然后由用户行为词典应用Word2vec技术获得用户行为间的相似度,由训练完成的结果预测用户的行为,应用Top-N推荐算法得出推荐项目候选列表一;紧接着选取传统协同过滤推荐算法,采用评分信息再做出预测,仍选用Top-N推荐算法得出推荐项目候选列表二,最后根据相同用户对两个候选列表取并集,得出最终的项目推荐列表。经由Word2vec还能够提取关键词间的语意关联,获得关键词间的相似性,可由用户的搜索关键词来获取用户当前需求。将上述算法在MovieLens,FilmTrust和Online_Retail数据集中与传统推荐算法进行比较,实验表明模型的推荐准确率有很大提高,并在一定程度上缓解了数据稀疏问题。