大数据技术的快速发展和广泛应用推动了我国的数字化建设,但随其产生的大量数据也不可避免地造成了严重的“信息过载”问题。为帮助用户从海量数据中选择出符合自己兴趣偏好的物品,推荐系统应运而生。评论文本作为用户问题、建议、态度的载体,能够有效挖掘用户的兴趣偏好而在推荐系统中被广泛关注。然而,现有基于评论文本的推荐方法不仅推荐结果可解释性弱,而且未考虑评论数据的稀疏性。因此,为解决上述问题,本文提出了一种融合辅助评论的多粒度协同注意力推荐模型（Multi-Granularity Co-Attention Recommendation Model Combined with Auxiliary Comments,MCRA）,具体研究内容如下:（1）针对推荐结果可解释性弱的问题,MCRA模型构建包含评论级别和方面级别语义细粒度的网络结构。在评论级别处理层使用卷积神经网络得到用户评论文本的表示后,为评估每条评论的重要性,结合对应物品ID使用注意力机制,以远程监督的方式学习每条评论的权重。在方面级别处理层利用卷积神经网络和门控机制学习用户每条评论在不同方面类别下的表示,再结合评论级别注意力机制得到的用户评论权重,加权求和得到用户最终的方面表示。同理得到物品的评论权重和方面表示。考虑到目标用户-物品对动态的方面相关性,模型使用协同注意力机制评估目标用户-物品对各个方面的重要性。最后,凭借目标用户-物品对的方面表示和方面重要性通过隐语义模型预测评分。（2）针对评论数据的稀疏性问题,MCRA模型在方面级别处理层中引入了辅助评论。辅助评论以评论级别注意力机制得到的物品评论权重为指导从相似用户评论中选取,用户融合辅助评论的方面表示,得到每条评论最终的方面表示。本文在亚马逊平台和Yelp平台4个不同领域的真实数据集上设计并进行了广泛的对比实验,验证MCRA模型预测评分的有效性。同时通过消融实验评估模型聚合方式的有效性和必要性,通过超参实验验证超参数设置对模型性能的影响,最后通过案例分析说明模型推荐结果的可解释性。