随着科技的快速发展,人们已经步入信息化社会,每天需要从海量数据中筛选出自己最关注的信息,推荐系统的存在就显得尤为必要。推荐系统作为解决“信息过载”的有效技术之一,一直是学者们研究的重点。传统推荐算法已经逐渐趋于成熟,广泛应用于各大网站,如:淘宝、京东、唯品会等。但是传统的推荐算法对用户来说具有黑盒的不可解释性,用户并不了解推荐的原因而只能被动的接受推荐。因此,推荐系统的可解释性研究逐渐被学者们广泛关注。可解释推荐可以帮助用户做出明智的选择,提高用户对系统的信任,实现用户与系统的双赢。目前,推荐系统大都通过挖掘历史评分与评论中的有效信息进行推荐,但为用户和商品间相关性建模时忽略了用户和商品不同特征属性的不同重要程度,以及存在评分矩阵数据稀疏等问题。基于以上分析,本文提出融合特征权重和矩阵填充的可解释推荐算法,在提升推荐精度的同时,提供定量的特征级别解释。本文的主要研究工作如下:（1）针对目前推荐算法在为用户商品间相关性建模时未充分考虑用户特征和商品属性重要性的问题,本文提出了基于特征权重的推荐算法。该算法根据在评论中特征或属性出现的频次及其对应的情感程度确定用户和商品的表征,同时采用情感词典和TF-IDF的算法思想确定特征和属性的重要程度,并将特征属性权重加入到相关性建模中。（2）针对评分矩阵的数据稀疏性问题,本文进一步提出融合矩阵填充和贝叶斯排序的稀疏性缓解算法。该算法根据用户特征权重和商品属性权重对评分矩阵中的缺失项进行填充,然后采用潜在因子模型学习用户商品的潜在向量,结合评论中挖掘的表征向量,最后引入贝叶斯个性化排序算法约束用户与不同商品间的偏序关系。（3）针对传统算法的黑盒问题,本文提出特征级别的定量解释。本文通过TF-IDF算法确定特征属性的权重,综合考虑用户特征权重和商品属性权重,将综合权重最大的三个特征作为解释,并给出可视化推荐理由。将本文提出的算法在Amazon和Yelp的四个真实数据集上进行实验,并与目前具有代表性的几种模型进行比较,实验结果表明,本文提出的算法在提供解释的同时,均方根误差相比最优的RMG平均下降了2.5%。