近年来，受益于互联网和智能终端设备的迅速发展，各种应用不断涌现，但同时也带来了数据的爆炸式增长。为解决互联网上的信息过载的问题，推荐系统被提出并进一步推动了各类电商服务平台的创新和应用。为了使用户更好地理解推荐模型和结果，可解释性推荐正逐渐成为推荐系统研究领域的热点。在可解释推荐系统中，推荐模型不仅给出推荐列表，同时对推荐结果进行解释。基于此背景，本文尝试在深度学习技术中，首先利用层次注意力网络充分提取文本特征，以获得精准的用户和物品的表示。然后利用注意力网络和门控循环单元来融合显式特征和隐式特征，为推荐结果生成解释性的自然语言句子。本文的主要工作内容包括：
　　1.针对现有推荐系统文本特征提取不充分且使用包含很多冗余信息的文本特征直接表示用户和物品的不足，本文提出了群体智慧引导的层次注意力模型HANCI。首先，该模型提出了群体智慧引导的特征重要性，将现有工作中的文本特征替换为用户观点感知的群体智慧特征来表示物品。其中，群体智慧特征定义为从物品的所有评论中提取的特征，这些特征并不完全等同于用户关注的特征。因此，本文提出了特征的重要性，用于从群体智慧特征中提取用户关心的特征，以表示用户对商品的个性化偏好。其次，本文基于评论文本的多层次分析，设计了一个层次注意力网络，通过探索单词的重要性、评论的有用性和特征的重要性，提取出更丰富、更精确的用户个性化偏好和物品特征。最后，本文在三个公开可访问的数据集上验证了该模型可以提升推荐系统评分预测的准确率，并且可以提供单词层级和评论层级的解释。
　　2.针对Retrieval类型可解释中提供的评论涉及隐私问题且深度学习黑匣子难以解释高维隐特征的不足，本文提出了一个基于显式和隐式特征生成自然语言句子的可解释性推荐模型GNLE。首先，该模型利用自然语言处理工具从目标物品的所有评论中提取显式特征，然后设计了显式特征感知的注意力模块分别提取用户偏好的显式特征和物品的亮点特征，接着融合该显式特征和深度神经网络提取的隐式特征作为用户和物品的表达。其次，从推荐和解释的两个任务出发，通过引入门控循环单元作为可解释的句子生成器，利用超参λ平衡两个任务。该句子生成器以用户的表示、物品的表示和预测的评分作为第一个隐藏状态的输入，以目标用户和物品的所有评论作为上下文，生成的句子作为推荐结果的解释。最后，为了验证GNLE的有效性，本文对两个可公开访问的数据集Electronics和Movies_and_TV进行了广泛的实验。结果表明，本文提出的GNLE模型利用显式特征感知注意力和上下文感知门控循环单元句子生成器可以提高评分预测的准确率，同时生成易于理解的解释。