为缓解互联网信息指数式增长带来的信息过载问题,推荐系统被广泛地应用于诸多领域中。评论文本包含着用户和商品的多元信息,推荐系统可以挖掘这些信息以预测用户对商品的偏好,推荐系统对此开展了丰富的研究。然而,如何提高评论文本语义理解能力,提取评论文本深层次的特征,捕获更全面的用户和商品特征,值得进一步研究。基于以上问题,本文探索了基于评论文本的推荐算法研究。现有的方法通常等价地交互用户和商品的特征,但用户特征表示用户对目标商品的偏好,商品特征表示商品的属性信息,即用户和商品的重要程度不同且不对称。因此,本文提出了基于评论文本自适应特征提取的推荐算法,该推荐算法首先使用动态词嵌入预训练模型BERT解决单词多义性问题,避免语义理解产生的偏差;然后利用Bi-GRU网络和注意力机制提取用户特征和商品特征,增强特征表达能力;最后设计了一种自适应特征拼接机制来平衡用户和商品在特征交互时的重要程度。该模型在6个亚马逊数据集上实验表明性能优于基准模型,自适应特征拼接机制可以有效地平衡用户和商品特征各自的重要程度,提高了预测评分精度。以往基于评论文本的推荐系统通常挖掘静态评论信息,建模用户和商品特征,忽略了用户偏好和商品流行度会随着时间变化而发生偏移的问题。因此,本文提出了基于评论文本长短期特征提取的推荐算法,该推荐算法首先采用词级和评论级两层注意力机制挖掘评论长期特征;然后设计了一种时间注意力层将时序信息和评论文本相结合,捕捉用户和商品的短期特征;最后引入协方差去除长期特征和短期特征间的冗余信息。在4个亚马逊数据集上的实验表明,该模型性能优于基准模型,长短期特征提取网络可以有效提取用户偏好和商品流行度的动态特征,提高推荐性能。