随着第五代移动通信系统5G技术的快速发展,全球已经进入大数据时代,用户已经不能有效利用海量互联网数据信息,“信息过载”问题日渐严重,推荐系统的出现一定程度上缓解了信息过载问题。推荐系统有效利用用户各种行为信息为用户建模,个性化地过滤无效信息。评分预测一直都是推荐系统领域研究的核心问题,其通过用户已有历史评分预测用户未知评分。虽然基于矩阵分解的协同过滤方法简单有效,但是经常受限于新物品新用户进入系统产生的冷启动问题。因此,引入用户评论文本与评分矩阵一起建模已经成为提升推荐系统性能的重要方法。物品的评论由用户生成,其中包含着用户评分高低原因及对物品的建议,而评分和评论两者属于互补资源,联合训练能构建更加贴合用户偏好需求的用户模型,进行更加准确的个性化推荐。与此同时,深度神经网络凭借其强大的端到端特征抽取能力,克服了传统词袋模型忽视上下文语义关系的缺陷,从而更好地刻画用户偏好与物品特征,也为基于评论的物品推荐提供了新的研究方向。时至今日,面向评论文本的深度推荐系统已取得了诸多进展,并在很大程度上缓解了基于矩阵分解的协同过滤相关模型的不足,其中包括CDL、DeepCoNN、Trans Net、D-Attn、NARRE、Tar MF、CARP、CAML等深度模型基于自然语言处理相关技术对评论文本进行了充分的特征提取,更好地为用户建模,并最终取得了良好的推荐效果。然而,基于评论推荐系统研究还存在以下问题:（1）仅仅从推荐任务中难以推断出特定领域的情感词的深层次语义,并且没有关注用户的偏好及物品的属性的关键词;情感分析与推荐任务之间的关系并不清晰,且两个任务之间信息的共享方式也存在问题。（2）DeepCoNN在预测用户对目标物品的评分时,将目标评论直接应用于该物品。由于无法事先知道用户对该物品的评论,因此测试数据的构建是不合理的;大多数现有模型均未考虑用户和物品在不同方面的关注重点。针对上述问题,本文做出如下研究:首先,本文提出了“融合多任务学习与注意力机制的推荐模型”,引入情感分析辅助任务帮助推荐主任务,理清楚了两个任务的联系与区别。共享层通过局部注意力机制,从情感分析和推荐任务中学习可共享的用户偏好及物品属性表示,使得两类任务相辅相成共同发挥作用。私有层通过注意力池化可视化了两个任务对不同类型短语的关注侧重点不同,搞清楚了推荐任务与情感分析任务之间的区别。然后,本文提出了“基于门控卷积和方面级别注意力机制的评分预测模型”,该模型将用户-物品画像的建模划分为两个网络:目标网络和主网络。目标网络中的门控卷积单元使得目标评论特征的情感表达更加充分,主网络中的基于方面的注意力机制对用户感兴趣的具体方面也进行了监督,同时通过Trans网络使得主网络学习的评论表示与目标评论无限趋近,最终通过主网络进行预测评分。本文在Amazon不同领域的五个数据集及Yelp餐馆数据集上对模型有效性进行实验,结果显示模型在整体上超过了现有方法,验证了本文提出的两大基于评论的深度模型可以提高评分预测的准确性,继而提升推荐性能。