随着信息技术的逐步成熟与移动网络的高度普及,电商平台飞速发展的同时也带来了较为严重的产品信息过载问题。个性化推荐作为缓解“信息过载”问题的一大利器,越来越受到人们的重视。但传统基于评分数据的推荐系统无法准确挖掘用户的真实偏好,其推荐结果也缺乏可解释性。用户作为信息的“创造者”,在活跃于各类在线平台的同时也留下了大量与平台交互的数据,其中由用户主动撰写的评论文本数据包含非常丰富的用户细粒度情感倾向信息,这些信息能够显式地体现产品在各方面的特征信息以及用户对产品各方面的真实偏好,非常适合用于诸如个性化推荐、产品反馈等任务。但此类产品评论多属于长文本,普遍存在文本信息冗余、特征稀疏的问题。针对上述问题,本文通过构建性能更强的细粒度情感分析模型去有效识别文本特定方面的情感倾向,并将这些细粒度情感倾向信息应用于个性化推荐。具体工作如下:（1）本文搭建了Bert-Bi GRU-CNN-Att融合模型,使用十二层双向Transformer编码结构Bert替代传统词嵌入层,充分挖掘上下文相关的文本语义信息,缓解了长文本特征稀疏的问题。同时结合Bi GRU的时序数据处理优势以及CNN网络与Attention机制强大的局部特征提取能力,缓解了长文本信息冗余的问题。实验结果表明该融合模型在细粒度情感分析任务上的性能优于其他对比模型。（2）本文基于集成学习的思想提出Union-Bert集成模型,进一步提高了细粒度情感分析模型的性能。主要通过引入Bert的变体模型ERNIE、Roberta、Bert-wwm-ext,使用不同的上下文词嵌入层再次搭建多个情感分析模型,利用餐馆领域方面级情感标注数据集和句子级情感标注数据集对这些模型进行监督训练,最终基于集成算法得到综合最优的集成模型Union-Bert。实验结果表明本文的集成模型较单模型性能有所提升。（3）本文提出了基于Union-Bert和NMF的混合推荐模型。首先基于Union-Bert提出了一种可解释性情感推荐指数ARI的计算方式,并设计相应算法利用该指数实现评分预测。其次将推荐指数与真实评分进行特征组合,实现了基于Union-Bert和非负矩阵分解算法NMF的混合推荐。最后设计多组混合推荐模型进行实验对比,实验结果表明本文的混合推荐模型在评分预测任务上的误差率低于其他对比模型。