随着电子商务网站和各种网络信息平台的发展,人们可以通过推荐系统可以找到自己感兴趣的物品和信息。而推荐算法作为推荐系统的核心,近年来在学术界和工业界大受追捧。传统的个性化推荐算法是基于用户和物品的交互信息进行推荐的,但系统中物品的数量和种类时刻都在增长和变化,冷启动成为推荐系统的一大难题。随着深度学习在推荐领域的深入,推荐算法在准确性以及可扩展性都有了一定的提高,然而深度学习算法都具有黑盒模型的不可解释性,其生成的推荐结果往往不能向用户提供令人信服的解释,缺乏透明度和信任度让推荐系统和用户都陷入困境。基于以上原因,本文重点研究了推荐算法的准确性和可解释性,并做了以下工作:（1）针对推荐系统中的冷启动问题,利用物品客观存在的属性信息构建XGBoost回归树,通过把物品属性信息输入到XGBoost模型中进行一系列有监督的训练,完成对物品的评分预测任务,在生成树模型的同时从模型中提取出物品属性的交叉特性,作为推荐结果的解释。并使用K-means聚类的方法对用户和物品进行粗粒度划分,节省后续XGBoost训练时间。并在在Amazon数据集上进行了大量的实验和分析,结果显示,本文提出算法不仅在推荐效果上有了一定的提升,同时还能提取物品的重要属性作为推荐解释。此外,K-means的引入节省了模型训练的时间,降低了计算成本。（2）针对推荐系统的解释性问题,提出一种基于评论的可解释推荐算法。该算法由两个串联的模块组成,分别是用于评分预测的推荐模型以及用于生成解释性语句的文本生成模型。在评分预测模块,利用卷积神经网络,对用户和商品的评论信息进行特征提取,并通过双层注意力网络自动为评论分配权重,保留高权重的评论为生成解释语句做准备,最后通过隐语义模型融合用户和商品的特征来进行评分预测。在文本生成模块,利用HSS模型中双层GRU网络对前一步保留的高权重评论进行训练,生成完整且具有解释含义的语句。通过实验证明,本文提出的方法不仅在评分预测上有良好的表现,其生成的解释性语句完整且流畅,能包含用户和物品重要的特征词语,具有良好的解释意义。