随着网上消费的日益普及,人们逐渐习惯于在电商平台上浏览与筛选商品,商品的评价信息包含着以往用户对于商品的消费体验与情感态度,可以为其他用户提供更详细的决策依据。采用合理的方式对评价数据进行潜在信息挖掘,可以获得用户的情感态度,也可以得到用户的关注点与偏好等相关信息。但是随着网民数量的逐年增加,当前的评价数据量越来越庞大,评价内容也越来越混杂,根据评价信息进行商品筛选的时间成本随之增加,采用逐条阅读的方式将不能为用户提供更高效的决策依据,因此需要采用自动综合情感分析的方式为大量评价数据做情感识别与分类。本文采用深度学习算法对美食店铺的评论文本进行情感分析研究。在传统RNN模型情感分析的基础上引入注意力机制并改进模型结构。针对RNN模型在情感分析应用中多对一的结构及易产生梯度消失与梯度爆炸的问题,提出了基于多指标加权RNN情感分析(RNN-MWAA)模型。该模型引入注意力机制,由“多对一”的模型输出结构优化为依据评价指标“多对多”的模型输出结构,得到每个评价指标的情感得分,最终将每项得分按照不同注意力参数加权输出整条评价的情感倾向。提出了综合多指标信息的推荐算法。结合Word2Vec模型与欧式距离公式聚类评价指标,利用RNN-MWAA模型分析结果得到不同指标下商铺的评价分类,从评价文本中挖掘用户的偏好信息来聚类相似用户,利用上述商铺分类与用户聚类信息构建推荐算法,并利用地理信息结合协同过滤算法增加可行性推荐内容。设计并研发了情感分析与商铺推荐系统。基于本文提出的RNN-MWAA模型与综合多指标信息推荐算法,从数据层、处理层与应用层对系统进行详细设计,实现推荐并将结果可视化展示在界面中。本文利用RNN-MWAA模型实现了对美团评价数据的情感分析,通过精准率、召回率与F1指标分析,表明该模型的分析效果优于MLP与LSTM模型。综合多指标信息推荐算法将指标高分商铺与用户偏好相匹配,可在优质商铺中实现个性化推荐,经MAE指标验证,本推荐算法具有可靠性。情感分析与商铺推荐系统实现了情感分析交互、商铺推荐、评价统计等功能。通过本系统将输入的评价文本进行情感分析后,该系统可输出指标得分与态度倾向,利用商铺属性与用户偏好信息帮助用户实现高效决策,同时为商家快速得到用户反馈提供了实现途径。