许多推荐系统都使用评论文本作为辅助信息缓解数据稀疏和冷启动问题,但目前相关研究中使用的处理评论文本的深度模型（例如卷积神经网络和注意力模型）都会丢失文本的重要信息,而且使用全部评论文档也会令模型受到文档中低质量评论的负面影响。此外,通过将其他域学习到的知识迁移到目标域进行推荐的算法往往只考虑单一的源域,这也存在一些信息挖掘不完全的问题。基于上述问题,本文从单域推荐与跨域推荐两个角度进行建模,以胶囊网络为基础,构建了两个推荐模型。首先,针对用户在目标领域存在历史交互的情况,提出考虑评论质量的自注意力胶囊网络评分预测模型:SACR。模型使用自注意力胶囊网络挖掘评论文档中的细粒度特征,使用用户和项目的编号信息标记低质量评论,并且将二者的表示相融合用于预测评分。模型还改进了胶囊的挤压函数,从而得到更精确的高层胶囊。模型解决了目标域评分数据稀疏的问题,以及低质量评论影响推荐准确度的问题。其次,针对用户在目标领域冷启动的情况,提出基于方面和胶囊网络的跨域评分预测模型:ACN。模型将源域和目标域中的每个用户和项目都用其对应的评论文档表示。模型改进了胶囊网络的映射矩阵,使用它挖掘用户和项目的多个方面。在此基础上通过注意力机制筛选出对目标域最重要的那些方面,并将其迁移到目标域进行预测评分。本模型可以学习并迁移不同源域以及多源域的知识,解决了用户冷启动下信息挖掘不完全的问题,并且可以提升跨域推荐的准确率。最后,将本文提出的SACR和ACN两个模型在现实世界数据集中与基准模型进行实验对照,证明了本文模型的有效性和准确性。