评分预测是推荐系统中的一个核心问题,用于量化用户对不同商品的偏好。由于训练数据中评级分布的不平衡,现有的推荐模型通常会产生有偏差的预测。因此,它们在预测长尾样本的性能通常不能令人满意。针对上述问题,本文提出两个解决方案。第一个模型命名为TADO（Time-v arying Attention with Dual-Optimizer Model）。此方法在第三章进行详细介绍。TADO专注于解决基于评论推荐模型中存在的三个主要问题。首先,降低传统模型在稀有评级中的预测损失。为此,TADO提出了一种灵活的双重优化器模型,以从回归优化和分类优化中获得更加的模型性能。其次,传统基于评论的推荐系统模型使用词向量编码文本信息,然而,词向量编码的方法无法理解文本评论句子中的深层语义表达。因为,同一个单词在不同句子中有不同的语义,但词向量对于固定单词有固定的表达。为了解决词嵌入导致的上下文信息提取能力不足的问题,TADO首先将BERT（Bidirectional Encoder Representations from Transfo rmers）引入基于评论的方法中,以提高语义分析的性能。第三,现有方法忽略了用户随时间变化的偏好特征信息。因此,TADO提出了一种具有双向长短期记忆和多尺度卷积神经网络的时间特征提取模块。最后观察到传统模型,只着重于使用文本评论建模用户偏好和商品特征的过程,而忽略了两者之间交互的结果,即用户商品交互向量只发生在最后一层。为了解决这一问题,TADO引入了额外的交互层,采用残差连接,同时保留了用户和商品各自的特征,以及其交互的特征。受极值分布（EVD）在稀有数据分布建模方面的出色能力的启发,本文第二个方法提出了一种新颖的基于Gumbel分布的评级预测模型GRP（A Gumbel-ba sed Rating Prediction）。该模型是一个灵活的框架,可以同时准确预测少数类别和多数类别的评级。在GRP,首先为每个评分级别定义不同的Gumbel分布,这可以通过用户和商品的历史评分统计来获得。其次,GRP提出的多尺度卷积融合层,将基于Gumbel的用户和商品表示与从评分矩阵/或评论中学习到的原始表示结合在一起,以丰富用户和商品的表示。第三,GRP提出了一个数据驱动的评级预测模块,使用高度压缩的特征向量和原始比率比率特征以预测用户对商品的评级。TADO在Amazon Product Reviews的23个基准数据集进行了广泛的实验。与最近提出的几种最新方法相比,TADO平均获得了明显高于ALFM,MPCN和ANR的精度,分别为20.98%,9.84%和15.46%。进一步的消融实验展现了TADO每个组件对最终模型表现的贡献。GRP在Amazon Product Reviews的8个数据集上进行实验,对比了7个基准模型,分别为:PMF,Neu MF,Deep Co N N,ANR,NARRE,NRPA,TDAR,使用流行的推荐系统指标:MAE,F1,HR,NDCG。广泛的实验结果表明:1)GRP在所有八个数据集上均达到了最先进的总体性能;2)GRP在预测稀有评级方面取得了实质性的进步,这显示了GRP在解决偏差预测问题方面的有效性。