El método de recomendación de estudio ha sido durante mucho tiempo un área fundamental en la ciencia del marketing personalizado. El problema de la escasez de datos de calificación es el mayor desafío de las recomendaciones. Además, los métodos de recomendación existentes solo pueden identificar las preferencias de los usuarios en lugar de las necesidades de los clientes. Para resolver estos dos problemas de cuello de botella, proponemos un nuevo método de recomendación de retroalimentación implícita utilizando contenido generado por el usuario (UGC). Identificamos la característica del producto y las necesidades del cliente a partir de UGC utilizando un modelo de Red Neuronal Convolucional (CNN) y técnicas de análisis semántico textual, medimos el grado de ajuste usuario-producto introduciendo un mecanismo de atención y un mecanismo de antónimos, y predecimos la calificación del usuario en función del grado de ajuste usuario-producto y de los datos de calificación histórica del usuario. Utilizando datos de sitios de reseñas a gran escala, demostramos la efectividad de nuestro método propuesto. Nuestro estudio hace varias contribuciones a