随着互联网时代的到来,人类社会正式进入信息过载的时代,推荐系统已经成为电商网站、社交媒体和新闻门户等在线服务平台的重要组成部分。推荐系统的目的在于有效地挖掘用户兴趣并缓解信息过载的问题。目前主流的推荐系统倾向于从用户和商品的历史交互行为中挖掘出用户的兴趣爱好并形成推荐。虽然基于交互数据的推荐系统取得了不错的推荐性能,但当交互数据比较稀疏时,这类推荐系统往往会面临性能严重下降的问题。此外,仅基于交互数据的推荐系统也无法为自身的推荐结果提供合理的可解释性。近年,为了解决基于交互数据的推荐系统所面临的挑战,基于文本的推荐系统开始流行。用户的评论是用户除在线消费行为以外,另一个体现用户在线消费体验和情感的数据（例如:用户为什么要购买该商品,用户对该商品最满意的属性等）。基于文本的推荐系统尝试通过把用户的评论信息和商品的描述信息等文本内容作为新的数据源,旨在解决用户交互数据的稀疏性问题。同时,基于文本的推荐系统可以利用从评论中挖掘出的语义信息为推荐系统的推荐结果提供语义上的可解释性。本文主要针对当前基于文本的推荐系统所存在的问题,从以下三个方面展开研究:（1）能感知购物场景的用户和商品的动态表示学习研究目前的基于文本的推荐系统中,大多依赖平行网络结构分别从用户文档和商品文档中学习出用户和商品的潜在表示。这类模型善于挖掘用户的一般爱好和商品的基本属性,而对用户当前的购物场景缺乏感知能力,导致目前基于文本的推荐系统无法有针对性地捕捉用户和商品之间的复杂关系。因此,本文通过分析用户在电商平台的购物场景,结合深度学习技术和注意力机制,提出一种具有场景感知能力的用户和商品联合表示学习模型。其核心思想在于:利用从用户文档和商品文档中所提取的语义交互结果,针对性地学习具有购买场景感知能力的用户和商品的联合表示,最终改善推荐系统的推荐性能并同时从语义层面为推荐结果提供更细粒度的可解释性。（2）根据用户爱好和商品属性间的关系推理用户购买商品的潜在原因根据用户对商品的评论和评分来推理用户购物行为背后的原因和情感是如今主流电商平台关注的重点。现存的具有可解释性的推荐系统无法揭示用户对商品的不同属性所携带的情感及其携带情感的强烈程度,因此也无法很好地推导出驱动用户购物行为背后的原因。本文通过使用深度学习领域里的胶囊网络结构,基于情感的两极性对用户兴趣和商品属性之间的关系进行建模,推理用户对同一个商品的不同属性所携带的情感及其程度,在电商领域构建一种可解释你喜欢与不喜欢的基于胶囊网络的商品推荐模型。（3）解决文本数据的稀疏性虽然基于文本的推荐系统可以有效缓解交互数据的稀疏性,但当文本数据稀疏的时候,现有的基于文本的推荐系统无法维持鲁棒的推荐性能。本文尝试将与目标用户具有类似打分行为的用户视为同好用户,并通过提取同好用户所写的辅助评论中的语义信息来缓解文本数据稀疏性的问题。其目的在于把同好用户所写的辅助评论文档视为额外的文本数据信息,用以保证基于文本的推荐系统在文本数据稀疏的情况时推荐性能的鲁棒性,并同时利用从辅助文档中提取到的语义信息提升推荐系统的性能。