邢长征，郭亚兰，张全贵，赵宏宝

辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛125105

互联网和信息技术的突飞猛进，使用户和项目数量、种类大规模增长，同时也使信息过载问题日益严重，而推荐系统的出现能够有效缓解信息过载问题，在购物、医疗和教育等领域被广泛应用。

在推荐系统中，如何准确学习用户和项目表示对于推荐项目是非常重要的[1]。经典的协同过滤推荐算法基于用户历史记录（显性评分、点击率等信息）为用户和项目进行建模[2-5]。但协同过滤算法在推荐过程中不具有可解释性且存在冷启动问题，因此，通过用户对项目的显性评分等信息为用户和项目准确建模存在一定的困难。

互联网和信息技术的发展使越来越多的数据能够被感知获取。包含图像、文本、标签在内的多源异构数据蕴含着丰富的用户行为信息及个性化需求信息，融合了多源异构辅助信息的混合推荐方法由于能够缓解传统推荐系统中的数据稀疏和冷启动问题，越来越受到重视[6]。用户对项目的评论包含丰富的信息，不仅能够反映项目的部分特征，还能够表达用户偏好。不同用户在同一项目下的评论能够反映出该项目的特征；同一用户对不同项目的评论文本潜在地包含用户的偏好，提供用户的丰富信息，因此，当用户对项目显性评分数据稀疏时，用户对项目的评论文本可以显著加强用户和项目的表示学习，对提高推荐系统的性能是非常有帮助的[7]。……