社会经济的发展极大地改善了人民的生活,人民群众对物质文化生活的美好愿景不断增强。同时,人类已步入大数据时代,如何从海量数据中挑选出用户感兴趣的信息并将其推荐给用户,已成为商家和用户共同关注的焦点。因此,个性化推荐系统应运而生。用户评论蕴含了丰富的情感信息,传统推荐方法对此考虑较少。一些研究虽引入文本处理方法,但也仅是对用户评论这种单一文本进行处理,并且无法根据用户偏好对评论进行细粒度的情感分类,这些因素限制了情感分类的准确率。在情感分类中综合利用多元文本和用户偏好,可以得到更加准确的情感极性。另外,现有推荐方法也没有充分利用用户偏好中的时间特征,时间特征是用户偏好的重要组成部分,对其加以利用可使用户偏好建模更加准确。同时,用户的兴趣爱好也在不断变化,这种变化既有用户随时间和阅历的增加自主产生的变化,又有其他用户对其产生的影响,现有方法往往只注重对用户偏好进行建模而缺乏对社交关系的利用,综合考虑这些因素可以提高商品推荐的准确率。本文针对上述问题开展商品推荐研究,提出了一种融合多元文本信息与用户偏好的商品推荐方法,该方法由两部分组成:第一部分是融合多元文本信息和注意力机制的方面级情感分类方法,该方法的功能是对用户评论进行情感分类,以提取出评论文本中用户观点的情感极性;第二部分是基于多维特征的商品推荐方法,该方法对所得到的情感极性加以利用,并结合时间因素得到了更加准确的用户偏好向量,又综合利用用户偏好和社交关系得出了更加准确的推荐结果。下面分别对这两个部分进行说明。（1）融合多元文本信息和注意力机制的方面级情感分类方法。本文针对现有情感分类方法对评论文本中的用户情感信息挖掘不充分的问题,综合利用多元文本、注意力机制以及用户偏好提出了一种新的情感分类方法。对于商品来说,其简介文本是对该商品最为直观的描述,传统的情感分类方法往往只对用户评论进行处理,而本文综合利用商品简介和用户评论这两种不同的文本。首先分别对两种文本进行切片处理,得到多个子序列,利用注意力机制使两种文本互相作用,即可得到融合商品简介和用户评论的文本表示;然后在正向和反向分别对文本信息进行处理以此更加充分地提取文本信息的隐藏特征;最后对文本信息中涉及的不同方面分别用对应的方面处理模块进行训练,根据用户偏好得到用户最感兴趣的方面,将文本特征向量输入该方面处理模块,进行方面级情感极性计算,最终得到更加精确的情感分类结果。（2）基于多维特征的商品推荐方法。本文针对现有推荐方法对用户偏好建模不准确以及缺乏对社交关系利用的问题,综合利用情感极性、时间因素以及社交关系提出了一种新的商品推荐方法。本文首先分别根据用户评论得到用户对于商品的情感极性,根据用户的历史行为得到用户对商品时间属性的偏好;然后通过在GRU模型中增加门控单元使两种信息得到融合。之后利用用户兴趣演化网络捕捉用户兴趣的变化过程,即可根据用户兴趣向量得到基于用户偏好的商品评分;同时,根据用户的评论行为构建其社交关系网络,通过对社交关系的抽取可以得到基于社交关系的商品评分,将两种评分利用自适应时间函数加以融合,即可得到最终的商品评分,进而可以产生更加准确的商品推荐结果。最后,本文对所提方法进行了实验验证,采用准确率、查准率、召回率和F值作为评价指标。实验结果显示,本文提出的融合多元文本信息与用户偏好的商品推荐方法相较于其他对比方法在各项指标上表现更为优秀。