随着互联网技术的迅猛发展,衍生了海量网络数据资源,信息过载问题愈发严重,如何高效获取有用信息成为当今社会的热点关注问题。推荐系统能够有效过滤不相关信息,主动为用户推荐符合其兴趣或需求的内容,缓解了信息过载问题对用户造成的困扰。目前,主流的推荐算法是协同过滤技术,它通过从用户历史行为信息中挖掘用户偏好进行推荐,但评分数据稀疏性和冷启动问题一直制约着协同过滤技术的发展。为解决上述问题,提升推荐准确性,本文从两个方面展开了研究,一方面添加评论文本作为辅助信息,通过充分挖掘评论文本来全面刻画用户偏好和商品属性特征,进而提升推荐质量;另一方面将稀疏的评分矩阵看作是不完备信息系统,利用粗糙集在处理在不完备数据上的优势,有效填补缺失评分值,从而改善数据稀疏性。具体的工作体现在三个方面:（1）提出了一种融合双重注意力机制的深度推荐模型（MSDA）。该模型在基于矩阵分解的协同过滤推荐算法中引入了评论文本信息,首先采用卷积神经网络提取评论文本特征,然后为学习有用性评论下用户-商品特征之间的相关性,先后设计了评论级别的注意力机制和共同注意力机制;最后,为全面刻画用户偏好和商品属性特征,将评论潜在特征与矩阵分解得到的评分潜在特征相融合,并利用神经因子分解机建模复杂的用户-商品评分行为,以实现评分预测。实验结果表明,相比于NARRE、HRDR等基准方法,MSDA能有效挖掘评论文本信息提升推荐质量。（2）提出了一种基于粗糙集的不完备混合信息系统填补算法（HIRS）。首先,为避免决策规则冲突,该算法优先填补决策属性缺失值,并将填补后的决策属性作为等价关系来划分信息系统;其次,为提高样本在混合属性下的相似度量准确性,从定性和定量角度对属性进行了细分,并针对不同类型属性定义了相应的距离度量方式;最后,结合k近邻思想填补缺失条件属性值,从而得到完备化的信息系统。实验结果表明,相比于ROUSTIDA、RSHISMIA等基准方法,HIRS的填补性能得到了显著提升。（3）在前两个工作的基础上,结合评论文本和粗糙集理论在缓解数据稀疏性上的优势,提出了一种基于粗糙集的协同过滤推荐模型（MSDA-RS）。该模型首先结合K-means++算法和改进的HIRS-SM算法对原始稀疏的评分矩阵进行缺失值填补,得到稠密的评分矩阵;然后,将稀疏性处理后的稠密评分矩阵输入到第一个工作提出的推荐算法中,与评论文本一起进行深度建模,最终输出评分预测值。实验结果表明,相比于MSDA模型,MSDA-RS的评分预测性能进一步得到了显著提升,充分验证了本文所提方法的有效性。