大数据时代，推荐系统在对抗信息过载问题上起到了重要作用。传统的协同过滤推荐算法仅利用交互信息进行建模，由于可供模型训练的数据种类单一、信息不足，可能导致推荐效果不佳，因此，许多工作将文本作为辅助信息引入到推荐模型中以提供额外的数据输入。但是，现有的基于文本的推荐方法往往忽略了用户的多样性偏好（用户的偏好特征会随着面对的项目不同而改变），或是没有在建模过程中充分利用输入的文本信息。针对上述问题，本文借助多种深度网络模型，对基于文本信息处理的深度网络推荐技术展开了研究，并完成了以下研究工作：
　　（1）为了对推荐任务中的用户的多样性偏好与项目特征进行更细粒度的建模，提出了一个基于文本的注意力神经网络推荐模型ANAR。该模型通过卷积网络抽取用户与项目评论中的文本信息，并通过一个特别设计的注意力机制，动态捕获不同用户-项目交互过程中用户所产生的不同的偏好与关注。在多个公开数据集上进行的对比实验证明，ANAR的评分预测推荐表现优于几个前沿的推荐模型，且所设计的注意力机制有利于模型更好地建模用户与项目的交互表示，从而提升推荐性能。
　　（2）为了更充分地利用输入的文本信息，并更好地建模复杂的用户-项目交互关系，提出了一个基于文本的图卷积网络推荐模型RAGCN。该模型通过图卷积网络建模用户和项目的交互，通过消息传递与消息聚合的策略完成对于用户和项目节点特征的更新。利用BERT抽取项目评论文本所含的特征信息，并作为图中的节点参与到整个消息传递过程中，帮助模型更好地建模用户与项目的特征表示。考虑到不同的用户节点与项目节点对于彼此的重要性有所不同，设计了一个注意力机制来对节点之间的消息传递进行调节。在多个公开数据集上进行的对比实验证明，RAGCN相比几个前沿的推荐模型具有更优的Top-N推荐表现。