随着互联网的发展,推荐算法在人们的生活中起到越来越重要的作用,从海量数据中挖掘用户的兴趣与需求,对用户进行个性化推荐成为一个重要的研究课题。研究者们通过深入研究提出了多种多样的推荐算法,主要包括协同过滤、基于内容的推荐和混合推荐算法,其中综合考虑评分和项目内容的混合推荐算法可以缓解单一考虑评分或内容的推荐算法存在局限性的问题,大数据的思维也使研究者们更加致力于使用多维度数据对用户兴趣细致表示,形成更加个性化的推荐。因而本文的一个研究目的就是综合利用多元化信息改善推荐效果。经过大量文献研究发现,对用户评论文本进行细粒度的情感分析能够增强对用户兴趣偏好的表示,使用知识图谱能够利用实体间的关系对异构信息进行很好的表示,并且已有研究分别证明了利用评论文本细粒度情感分析进行推荐和利用知识图谱表示学习的方法进行推荐对于推荐效果的提升具有积极作用,然而还并未发现有研究将两种方法融合在一起进行推荐算法的设计。因此,本文的主要研究内容就是在对基于细粒度情感分析的推荐和基于知识图谱的推荐进行深入研究的基础上,提出一种有效的混合推荐算法,以提升推荐效果,并通过实验进行验证。具体的研究内容包括以下四个部分:(1)本文首先对细粒度情感分析方法进行了研究,将细粒度情感分析任务分为评价对象抽取和情感倾向判定两个子任务,在评价对象抽取任务中使用深度学习结合条件随机域模型的方法,并引入BERT预训练语言模型,提出用BERT-Bi LSTM-CRF模型对评价对象进行抽取;由于BERT预训练语言模型具有较为出色的表现,在情感倾向判定任务中再次使用BERT模型,通过Bi LSTM网络和注意力机制判定评价对象的情感倾向;(2)在基于情感分析的推荐算法设计中,首先使用LDA主题模型划分评价对象的属性面,计算用户在每个属性面的情感分数,结合协同过滤的思想通过计算用户在情感分值上的相似性进行推荐;(3)在基于知识图谱的推荐算法设计中,首先通过知识图谱抽取用户到项目的推理路径,结合Trans R方法对知识图谱三元组进行表示学习,将推理路径表示成向量形式输入到LSTM中,结合注意力机制和池化操作捕获推理路径的语义,最后通过全连接层和sigmoid函数进行评分预测。(4)将基于情感分析的推荐和基于知识图谱的推荐进行融合,并探究模型的融合效果。本文利用豆瓣电影中的真实数据集进行实验,实验结果证明了本文提出的细粒度情感分析方法的有效性,以及将基于情感分析的推荐和基于知识图谱的推荐融合起来设计的混合推荐算法能够显著提升推荐的准确率,改善推荐效果。