由于信息爆炸式增长,推荐系统作为解决信息过载问题的技术应运而生,在有效挖掘用户潜在兴趣的同时,也为企业带来巨大的商业价值。与受限于评分数据稀疏等问题的传统推荐模型不同,基于评论的推荐模型额外考虑了有价值的用户评论信息,因而近年来受到了各界的广泛关注。然而,现有方法大多仅在词粒度提取评论的语义特征,未考虑到人类通常按照词、句子、评论的层次递进理解语义;忽略了评论中包含大量与评分预测任务无关的噪声数据;忽略了用户偏好会随时间变化的客观事实,无法捕获用户潜在的偏好转变。因此,现有方法难以全面、准确地挖掘出用户的偏好。为了解决上述问题,本文提出一个动态多粒度注意网络推荐模型。具体而言,该模型模拟人类的理解顺序,遵循词粒度、句子粒度、评论粒度的顺序逐级递进学习用户和物品评论的语义特征。其中,模型在各粒度语义特征构建中分别融入了注意力机制以学习词、句子和评论的重要性。进而,以重要性为依据,对多粒度特征进行逐级加权求和,得出用户/物品的特征,有效过滤掉评论中的噪声数据。随后,将用户特征按时序输入门控循环单元,以建模动态的用户特征。最终,将物品特征和动态用户特征输入因子分解机中,对特征间的高阶关系建模并预测评分。基于以上改进,本文模型在评分预测任务上的表现可有效提升。此外,从可解释性角度而言,本文模型学习到的多粒度重要性可以突显出最重要的词、句子和评论,有助于对推荐结果进行归因分析。本文基于Yelp和Amazon公开的24个数据集,设计并进行广泛的对比实验。实验结果表明,针对评分预测问题,本文提出的模型比业界主流的基于评论的推荐模型在均方误差指标上表现更优,验证了多粒度注意力机制和考虑用户偏好会动态变化的有效性和必要性。除此以外,本文还通过案例分析的方法对影响预测结果的评论重要性进行定性评估,分析结果表明本文方法具备良好的可解释性。