近年来,图神经网络由于其强大的表征提取能力在包括推荐系统在内的许多领域得到了广泛应用。目前,一些基于图神经网络的推荐算法利用评论等辅助信息在一定程度上改善了评分稀疏的问题。但是,现有算法很少关注评论中多方面的评价信息,通常从文档级别的文本中提取用户和物品的表征,难以准确捕获细粒度的特征。仅使用标点符号对评论进行分割无法准确提取不同方面的评价信息。一方面,使用标点符号粗分后的短句中仍可能存在不同方面的评价信息,即存在方面特征重叠问题;另一方面,用户可能使用多个短句对同一方面进行评价,造成方面特征分散的问题。针对方面特征重叠问题,设计了一种基于词性标注的语句分割方法,该方法根据单词词性决定是否将子句进一步拆分,能够有效地将子句中多方面的评价信息进行拆分。针对方面特征分散问题,设计了基于聚类的文本多方面语义推荐算法（Multiple Semantics based Graph Collaborative Filtering model using Clustering Algorithm,MSGCF-CA）和基于隐式主题的多方面语义推荐算法（Multiple Semantics based Graph Collaborative Filtering model using Latent Topic,MSGCF-LT）。MSGCF-CA算法通过聚类将具有同方面语义的子句融合,而MSGCF-LT则是将子句映射到K个隐式主题空间,在隐式主题空间实现方面语义的融合。随后,利用图卷积神经网络进行表征学习,将学习到的多方面特征信息融入用户和物品的表征中。最后利用用户和物品表征对评分进行预测。在三个不同数据集上的实验结果表明,融合文本多方面语义信息的MSGCF-LT算法整体性能要优于6种对比算法,尤其是在最稀疏的数据集Video Games上,取得了较大的性能提升。相较于表现最好的对比方法,MSGCF-LT算法在该数据集上的四项指标HR@10、NDCG@10、HR@20和NDCG@20分别提升了2.06%、2.64%、1.59%、2.49%。进一步的实验分析表明,基于单词词性标注的语句分割方式对模型性能有一定程度的提升。