随着当代互联网技术的飞速发展和互联网信息的快速传播,推荐系统已经成为帮助用户获取有效信息的重要手段。协同过滤算法是推荐系统最常用的技术手段,但是传统的协同过滤推荐算法受限于其评分矩阵的稀疏性,在用户和商品数量庞大的情况下无法产生有效的推荐。矩阵分解及其改进模型可以从评分矩阵中提取用户和商品的隐含因子特征,通过评分预测来填充评分矩阵中的缺失值,从而解决了协同过滤算法稀疏性高、推荐性能低的问题。除了用户对商品的评分数据之外,用户对商品的评论文本也反应了用户对商品的喜好以及商品的特征,因此研究人员提出了许多基于文本特征提取的评分预测方法以缓解评分矩阵的稀疏性。但是,以上方法仅单一的使用了评分矩阵或者评论文本来进行评分预测,而没有将两者结合起来进行综合考虑,因此,预测精度的提升有限。为了进一步提高评分预测精度,缓解评分矩阵稀疏性,提升推荐质量,论文提出了一种融合了用户-商品评分矩阵和评论文本的Deep-Fusion评分预测模型,Deep-Fusion模型由矩阵分解模块、深度矩阵分解模块和文本特征提取模块组成,其中矩阵分解模块将评分矩阵中的每个用户和商品分别映射成两个隐含因子向量,并将这个两个向量进行内积运算对用户和商品间的线性关系建模;深度矩阵分解模块将用户和商品隐含因子向量输入多层神经网络,通过每层的非线性激活函数学习用户和商品之间的非线性关系;文本提取模块采用两个并行的卷积神经网络分别提取评论文本中的用户偏好特征和商品属性特征,然后在融合层融合三个模块的输出,最后通过全连接层输出用户对商品的预测评分。论文最后在亚马逊的五个商品评论数据集上将提出模型与其它评分预测模型进行了实验对比分析,对影响模型性能的参数进行了对比选择,以均方误差、准确率、精确率、召回率、F1值作为评价指标从评分预测的精确度的和推荐列表的准确性两方面进行评估。实验结果表明,Deep-Fusion评分预测模型在不同测试集上的预测均方误差均低于其它对比模型,且推荐效果更好。