互联网与信息技术的高速发展,使得现在社会已进入信息过载的时代,人们在进行信息获取时越来越困难,需要付出的代价越来越高。为了解决数字信息过载的问题,推荐系统应运而生。推荐系统能够根据用户喜好主动筛选出用户可能感兴趣的信息并推荐给用户,降低了用户获取信息的难度,且能够有效提高企业的效益,因此对推荐系统的研究具有重要意义。为了能够实现推荐效果的提升,需要对系统中的推荐算法进行优化,特别是能够奠定推荐效果的离线推荐。本文拟基于用户评论数据,探讨离线推荐算法的优化问题。本文的主要工作内容如下:(1)针对离线推荐中召回阶段,提出一种基于内容感知的协同过滤召回模型。该模型采用Autoencoder作为基本框架,通过进行用户评论数据中评分数据矩阵的重建实现了物品召回候选集的筛选。模型在进行评分重建时,首先将物品评分经过Encoder获取物品的抽象表示,接着与用户评论文本描述的序列和非序列信息进行融合,再将其与相邻物品集的特征表示通过Decoder获取重建的评分数据,最后利用Amazon公开数据集与酒店数据集进行对比实验,验证了该模型的有效性。(2)针对离线推荐中排序阶段,提出一种基于Deep FM优化的排序模型。该模型将对物品排序问题转化为CTR(Click-Through-Rate)预测问题。其将能够同时进行高阶与低阶特征组合的Deep FM作为基线模型,并引入多头注意力机制和用户喜好特征表示,以有效地表示用户和体现用户兴趣的多样性。在Amazon和Movie Lens公开数据集上进行了对比实验,验证了该排序模型的有效性。(3)实现了基于酒店数据的推荐服务。将所提出模型进行整合,再通过使用Flask框架实现了模型的RESTful API服务,并以酒店数据集作为系统数据给出了酒店推荐服务的可视化展示。