信息的生产者和消费者在信息过载时代都面临巨大的挑战,而推荐系统在引导用户探索其实际需求方面起着至关重要的作用。基于矩阵分解的协同过滤算法作为推荐系统中最具代表性的模型,其基本原理是利用用户的显式和隐式反馈行为进行物品推荐,在用户和物品之间的交互信息不足时,产生的推荐结果并不准确。随着传统零售和生活服务向在线平台的快速转移,应用平台积累了众多领域的评论文本和商品图片数据,这些异构信息极大地补充了稀疏评分和交互信息,在数据层面为提高推荐算法的性能提供了新的思路。同时近年提出了基于优化的元学习范式,该方法关注如何在少量稀疏的数据上高效的训练与迁移模型,在模型优化层面很好的应对了冷启动推荐场景下历史数据不足的难题。已有一系列的研究试图利用评论文本中隐藏的丰富信息来应对数据稀疏和冷启动问题的挑战,提高推荐结果的质量。但是,这些研究仍然存在改进的空间:（1）现有的融合评论文本的推荐模型均从静态维度建模用户和商品潜在特征表示,忽略了用户即时兴趣以及物品属性和热点特征之间的相关性。（2）对评论文本的处理,大多数工作遵循将用户的评论拼接成一个独立的文档,再利用CNN或RNN处理文本信息类似的范式。而不同评论文本拼接而成的文档存在语义不连贯,上下文对应信息混乱等问题。（3）没有统一有效的框架联合处理评论文本和序列信息数据。因此,针对上述问题,我们提出深度融合评论和序列信息的个性化推荐模型,在不同时间维度上建模用户和物品的动态以及静态特征（Unified Model with Dynamic-Static Features,简称UMDSF）。具体而言,该模型通过两个分别基于自注意力和多头注意力机制的并行特征提取器网络,同时提取短期交互序列和评论文本中不同时间维度的细粒度特征表示。然后,在特征融合过程中,关注不同用户长短期兴趣的个性化展示和不同物品的不同方面潜在特征之间的相关性。在四个真实世界的公开数据集上进行充分实验验证了 UMDSF性能的优越性,同时设计消融实验和运行效率对比实验证明了模型结构设计的合理性和有效性。虽然现有的工作在一定程度上缓解了冷启动问题,其中大部分文献在数据层面利用辅助信息增强用户和物品的潜在特征表示缓解该问题,因此辅助信息的可用性和质量十分关键。另一方面,最近提出的元学习范式从模型优化角度为缓解冷启动问题提供了新的思路,由于该方法能够快速适应缺乏标签数据的新任务,换言之在冷启动推荐的背景下,用户和物品的交互信息本来就很少。从数据层面和模型优化两个角度出发,本文提出了基于元学习优化的异构数据联合表示学习推荐框架（Meta-Learning Tower Network,简记MLTN）,通过物品的文本和图片之间的互注意力机制,分别用图片和文本的注意力特征来引导其对各自数据中高质量部分进行建模,消除了异构数据表示中常见的噪声问题。同时从模型优化角度将元学习范式集成到MLTN的参数优化中,使模型具备对新用户小批量数据的挖掘和泛化能力。工业数据集和公开数据集上大量的实验表明,MLTN在各种冷启动场景下的效果都优于最新的基线方法。