随着电子信息产业的发展,人们的生活已经越来越离不开电子设备和互联网。各种各样的APP为了收集用户反馈,纷纷设置了评论业务。这些评论文本中包含了大量有价值的信息,利用这些信息,商家一方面可以更加了解用户的爱好,为用户做出推荐,另一方面可以更加了解自身的不足和缺点,对自身的服务进行改进。但是,面对海量的评论信息,商家或平台往往没有足够的人力去阅读它们,因此,基于深度学习和机器学习的自然语言处理技术就派上了用场。本文以基于自然语言处理的评论分析算法为研究课题,重点研究了如何利用细粒度情感分析技术深入挖掘评论信息和利用评论信息赋能推荐算法。细粒度情感分析旨在挖掘文本信息中具体实体或类别的情感极性。传统的情感分析往往只关注完整句子的情感极性,但是很多评论中,不同的实体拥有不同的情感极性,如果能抓住每个实体各自的情感极性,可以为商家或平台提供更准确更详细的反馈,从而指导他们更有针对性地改进自身服务。现存方法的一个公共缺点是模型容易将标签与评论文本或实体类别中的某一方过度关联,而忽略了另一方,本文受启发于控制变量法,提出了一种配对预训练方法,帮助模型更均衡地分配其在句子和实体上的注意力,使模型同时注意到两部分输入数据的关系,不过度关注一方而忽略另一方。除此之外,本论文还使用了PGD对抗训练和扩展辅助句子的方法来提升训练效果。推荐算法可以帮助人们找到他们可能感兴趣的物品,推荐算法使用的数据多是用户的行为反馈,但这些隐式反馈包含的信息较为模糊,限制了推荐系统的性能。评论信息中包含的大量显式反馈可以很好地解决这个问题,用户在评论中往往会显式地指出喜欢或者不喜欢的地方,NLP技术可以通过这些评论学习每个用户的兴趣和每个物品的属性,因此,基于NLP的推荐算法应运而生。针对现存方法在训练和验证阶段存在的数据偏差,本文设计的注意力分布指导的信息传输网络模型通过一种导师学生架构,以两组注意力分布为导师信号,将辅助模块的信息传递给主模块,既可以避免数据泄露,又可以最大程度地利用有效数据,还可以实现用户物品对在导师信号层面的解耦合。实验结果表明,本文提出的两个算法模型的效果均优于各自方向现有的主流算法模型。