现有评论文本推荐方法多使用静态词向量技术获取评论嵌入，但单词多义性会对语义理解产生偏差，且特征拼接策略无法平衡用户和商品特征对推荐结果的影响。为此，提出了基于评论文本的自适应特征提取推荐模型。该模型使用动态词嵌入预训练模型BERT解决多义性问题，结合Bi-GRU与注意力机制的双向特征提取增强特征表达能力，并以自适应特征拼接机制平衡用户和商品特征在交互时的贡献程度。实验结果表明，该模型在6个亚马逊数据集上均方误差值最低为0.678，相比最优基准模型性能平均提高了2.42%，有效改善评论文本中单词多义性问题对推荐结果的影响，自适应特征拼接机制有效平衡了用户和商品特征各自的重要程度，提高了预测评分精度。
0 引言
互联网的迅速发展，为用户提供了更便利的购物方式，同也为用户带来选择困扰，如何在众多信息中发现感兴趣的商品，成为电商平台亟待解决的问题。在该情况下，推荐系统发挥着越来越重要的作用，其可根据用户历史行为和偏好推荐当前用户可能感兴趣的商品，为用户提供个性化推荐服务[1]