近年来,随着互联网的普及和计算机技术的进步,信息的数量呈指数级增长,人们在享受互联网带来便利的同时,也受到“信息碎片化”和“信息过载”的困扰。个性化推荐系统不仅能够满足用户个性化需求,提升用户体验,并且在具体商业场景下能够大幅度提高用户的行为转化率,成为当前解决“信息过载”问题的主流方法。随着人工智能的快速发展,深度学习越来越多的应用到推荐领域。用户在购买商品中产生的交互信息以及发表的评论等都是推荐算法的重要信息来源。用户历史交互行为能够明确地反映用户的偏好,而评论文本则能够表达用户购买商品的具体动机。本文从用户评论的情感特征分析、用户交互特征的建模、交互行为特征和评论语义特征融合三个方面着手提升评论分析推荐算法的性能,研究的内容具体如下:（1）提出了一个基于胶囊网络的用户情感分析及推荐算法,通过设计一个共有评论感知的注意力机制,令共享评论语义特征辅助提取用户的各个偏好方面和商品的各个属性方面。另外,融合用户和商品的各个方面并采用胶囊网络从融合特征中推断出用户对商品的总体情感。实验表明该算法能够有效提升评分预测的准确性。（2）提出了一个基于多面自编码器的交互行为建模方法,通过设计一个多面自编码框架建模用户多个偏好面的潜在特征,从而实现更全面地捕捉用户的各个偏好。此外,通过设计一个改进的注意力机制,以多维度权值替代传统单一的权值,实现更细粒度地关注各个特征对象。在实验中,该算法在多个评价指标上均体现了更好的性能。（3）提出了一个基于评论及交互行为的混合推荐算法,设计了一个交互序列感知的注意力机制,通过令交互序列特征辅助提取用户偏好方面和商品属性方面,实现了交互序列特征和评论语义特征的有效融合。另外,通过采用一个改进的动态路由机制,取代传统的路由机制,从而提升了胶囊网络推断用户情感的精确度。最后,基于本章算法,设计并实现了一个基于MQTT协议和Android系统环境的商品推送仿真系统。