电商平台为用户提供多种反馈方式,如评论、标签和评分等。评论作为评分的补充手段,包含更细粒度的反馈信息。商品有大量的属性特征,用户在评论中具体阐述其对商品各个属性的喜好程度及其原因。因此我们通过评论可以了解用户的兴趣权重分布,并挖掘影响商品被购买的主要因素。对于有历史购买记录的用户,基于协同过滤的推荐算法仅利用评分对其进行商品推荐。如果能同时利用评分和评论信息,则可以修正评分信息的预测偏差。本文提出一种基于评论感知的混合推荐算法SATRec。一方面,SATRec从评分矩阵中挖掘用户和商品的协同过滤特征。另一方面,所有评论被输入编码器网络,得到预编码的评论向量。接着卷积神经网络(Convolutional Neural Networks,CNN)被用来从评论中提取用户和商品的上下文特征。最后SATRec使用注意力机制动态地组合基于评分的协同过滤特征和基于评论的内容特征,以进行评分预测。在商品推荐公开数据集Amazon数据集上的实验结果表明该算法能有效提高推荐效果,且注意力网络是特征高效组合的关键。完全冷启动用户是指那些在领域中没有任何历史评论和评分信息的用户。对于特定领域(目标领域)的完全冷启动用户,可以利用其在其他领域(源领域)的评分和评论信息来缓解完全冷启动问题。本文提出一种通用的基于评论感知的跨领域推荐框架RACRec。首先,所有评论被编码器预编码成向量形式,用邻接矩阵为每一对源领域的用户和目标领域的商品动态地选择最重要的评论,并通过编解码器结构从目标领域的商品评论文本中提取商品特征向量。其次设计了一个基于编解码器的迁移模型来提取完全冷启动用户在源领域的领域独有特征向量和领域间可共享的特征向量,该共享特征向量将结合目标领域的商品特征向量得到预测评分。本文还探索了用户特征提取部分的编解码器结构对预测效果的影响,在Amazon数据集上多个领域的实验结果表明,基于DNNDNN编解码器的RACRec模型的性能优于最新的对比算法。相比DNN-DNN,带参数的DNN-DNN结构能进一步提升推荐效果。CNN-LSTM能避免DNN的特征提取能力有限和信息损失问题,效果提升最显著。