在信息化时代,数据爆炸式增长,实时数据资源在赋能经济社会生活高质量发展的同时也带来信息过载问题,人们从海量信息中筛选出感兴趣的内容显得尤为困难,推荐算法应运而生。它不仅能快速为用户定位所感兴趣的内容,节约用户筛选信息的时间,还能为信息提供者带来可观收益,推荐算法的研究由此受到广泛关注。但现有评分预测推荐模型仅利用评分数据,而用户和物品交互的评分矩阵往往极度稀疏,利用社交、时间等信息补充特征的研究却忽略了具有丰富信息的评论文本,使用了评论的模型也有不足之处,比如未挖掘评论更深层的语义信息,未考虑用户和物品评论主题差异性等。针对以上问题,本文借助深度学习技术提出非对称局部-全局注意力推荐模型（Asymmetrical Local-Global Attention Model,ALGAM）,主要研究内容如下:1)引入评论缓解数据稀疏问题。在用户和物品组成的评分矩阵中,有交互信息的数据只占极小部分,元素大都处于缺失状态,可用信息寥寥无几,数据缺失影响模型预测准确性。本研究通过引入评论文本信息来丰富用户和物品画像,利用神经网络模型挖掘文本中用户和物品特征,相比单纯使用评分信息的模型,能够在一定程度上缓解数据稀疏问题。2)利用动态词向量准确建模评论语义。自然语言文本是非结构化信息,有其自带的天然属性,如歧义性、进化性和高度抽象性等。如果使用静态词向量工具,则无法挖掘准确的语义信息,只能学习到浅表的含义。本研究采用动态词向量工具并结合微调操作不断优化文本表示向量,使得模型能够学到更深层次的语义信息,从而获得更为精准的文本向量表示。3)应用双重注意力多角度建模评论语义。评论文本撰写的用户不同,评论的质量良莠不齐,评论的信息量也有丰富和贫瘠的差异,每条评论的参考度应有所区别,不能一视同仁,同时评论与评论之间也蕴含着某些潜在的关联关系。本研究采用双重注意力从不同层面获取特征,其中全局注意力用于判断每条评论的重要程度,局部注意力用于捕获评论与评论之间的关联关系,从而提高文本信息利用的准确率。4)采用非对称方式差异化建模用户和物品画像。用户评论主题具有异质性,所描述的物品往往不同,而物品评论主题具有同质性,往往描述同一物品,因此从评论中获取用户和物品特征的方式要有所差异。与以往研究不同,本研究在评论级别上采用非对称方式对用户和物品建模。预测用户对物品打分时,用户肖像刻画参考当前物品特征,重点关注与物品特征匹配高的用户评论。而在评论级别上的赋权值,保证了用户评论中物品特征之间的独立性,从而获得用户在面对不同物品时喜好的变化。最后将本文提出的ALGAM模型,在亚马逊四个不同领域的数据集上进行评估,并将目前较为先进的深度学习模型（Neural CF、Deep MF、Deep Co NN、TARMF和AHN）作为基准模型,使用MSE（Mean Square Error）评估性能。实验结果表明,ALGAM表现更佳,相比于所有基准模型整体均有所提升,其中在Automotive数据集上MSE降低至0.452,验证了本文提出的模型能提高评分预测的准确性,继而提升推荐性能。