互联网的高速发展使得用户正在面临信息爆炸的问题。推荐系统通过提供个性化的商品推荐服务来辅助用户进行决策,从而减轻消费者因选择过多而产生的焦虑和困惑。基于评分矩阵的推荐算法可以根据用户的评分模式对用户和商品进行建模,但该类算法面临严重的数据稀疏性问题。而用户生成的评论文本可以反应用户的喜好和商品特征等语义信息,利用这些信息可以有效缓解数据的稀疏性问题,从而提高模型推荐的准确率。本文主要基于深度学习技术,对融合评分矩阵与评论文本的混合推荐算法进行研究,取得的主要研究成果如下:（1）提出了基于BERT和注意力机制的双向门限递归单元的文本分析模型。首先,引入BERT作为词嵌入层来提取评论文本的语义信息。然后,针对卷积神经网络卷积核大小固定、不能有效处理文本序列的问题,提出了使用双向门限递归单元来编码评论文本,从两个方向捕获词的上下文信息,使模型能够更加准确地理解评论文本所表达出的含义。最后,通过引入注意力机制给每条评论赋予不同的权值,使模型能够聚焦于更加有用的评论。同时,采用深度矩阵分解模型来提取评分特征,解决了传统矩阵分解模型只能提取低阶、线性特征的问题,增强了特征向量间交互学习的能力。（2）提出了一种基于评分信息与评论文本特征的深度融合方法。由于基于评分矩阵与评论文本分别提取到的特征向量具有不同源性,所以他们被输出到不同的特征空间后不能进行联合学习。本文提出的深度融合方法通过串联因子分解机和多层感知机实现了多源特征间的交互学习,进一步提升了推荐的准确率。最后,在亚马逊的5个公开数据集上对所提出的模型进行了实验验证。实验结果表明,与多个较好的基于评论文本的深度推荐基准模型相比,本文所提出的模型预测误差最低,平均预测误差MSE和RMSE分别降低了大约3.99%和2.04%。