为了提高推荐系统（RS）的可解释性，打破推荐系统固有的局限性，提升用户对推荐系统的信任度和满意度，提出一种增强可解释性的深度评论注意力神经网络（DRANN）模型。该模型利用用户评论与商品评论中丰富的语义信息，基于文本评论学习用户、物品之间的潜在关系，预测用户兴趣偏好和情感倾向。首先，采用文本卷积神经网络（TextCNN）对词向量作浅层特征抽取；然后，使用注意力机制为评论数据分配权重，过滤无效评论信息，同时构建深度自编码器模块将高维稀疏数据降维，去除干扰信息，学习深层语义表征，增强推荐模型的可解释性；最后，通过预测层得到预测评分。在4个公开数据集（Patio、Automotive、Musical Instrument （M-I）和Beauty）上的实验结果表明，与概率矩阵分解（PMF）模型、奇异值分解++（SVD++）模型、深度协同神经网络（DeepCoNN）模型、树增强嵌入模型（TEM）、DeepCF（Deep Collaborative Filtering）、DER（Dynamic Explainable Recommender）相比，DRANN模型的均方根误差（RMSE）最小，验证了它在提升性能上的有效性以及所采用解释策略的可行性。
