如今的互联网时代,信息数据量在以指数级别增长着,给我们带来很多便利的同时也带来了困扰。即在面对规模庞大的数据量时,想要高效的获得自己想要的数据变得愈发困难,这就是所谓的“信息过载”问题。推荐系统通过分析用户的历史行为,主动的从大量数据中为客户推荐用户可能感兴趣的信息,已经成为了缓解“信息过载”问题的有力手段之一。传统的推荐算法虽然有着不错的成绩,但依旧存在很多问题,比如冷启动、数据的稀疏性、不能利用其它知识层面数据等问题。推荐算法的研究方向很多,其中如何融合其他方面数据到推荐系统里帮助解决数据稀疏性等问题就是其中的一种,融合文本类型数据更是其热点之一。本文的主要研究内容是研究如何融合文本类型数据来对推荐算法性能做进一步的提高。由于采用主题模型对文本进行处理存在着不能感知文本上下文的缺点,因此本文利用现如今先进的深度学习模型对文本特征进行捕获,然后把学习到的项目隐语义特征融合到矩阵分解模型PMF中。本文提出了新模型HANMF（Hierarchical Attention Networks Matrix Factorization）和HANMF+,具体工作如下:本文首先分析了现如今融合文本特征的推荐算法模型,介绍了一种融合深度学习技术的推荐算法模型ConvMF。该模型的创新之处在于利用深度学习技术来感知文本上下文信息,提高了推荐算法模型的性能,证明了加强感知文本上下文特征的力度有助于提高模型的评分预测性能。因此本文采用RNN家族的双向门控循环神经网络Bi-GRU来对本文的文本数据（项目描述文档）进行处理。因为普通RNN存在着梯度弥散问题,所以采用GRU来代替RNN,并且双向GRU能捕获文本前后两方面序列信息。由于融合文档结构信息能进一步提高文本特征的捕获的能力,所以本文引入层次注意力机制网络HAN分别对描述文档的词级别和句子级别结构信息进行了特征注意。然后把上述处理的文本隐语义特征在概率视角下恰当的融合到概率矩阵分解模型PMF中,并对其关键的超参数进行了调整,提高了评分预测的精确度。为了提高模型的泛化能力,本文进一步提出了添加有预训练单词嵌入模型HANMF+。最后在三个真实数据集上对PMF、CTR、CDL、ConvMF、HANMF、HANMF+六个模型进行了对比实验,其中HANMF模型相对于ConvMF模型在三个数据集分别提高了1.24%、0.72%和4.26%,验证了本文所提模型的有效性。因为HANMF模型的影响因素很多,所以本文还对其中重要的参数和影响因素进行了相应的分析。