随着云计算、大数据、物联网等技术的飞速发展,互联网应用的种类层出不穷,引发了数据规模的爆炸式增长,也带来了严重的信息过载问题。作为解决“信息过载”的重要手段之一,推荐系统已经得到广泛应用。但是传统的推荐系统存在冷启动、用户-项目评分矩阵的极度稀疏性等问题。除了推荐系统的评分信息外,用户对项目的评论信息也包含了丰富的用户兴趣和项目特征信息,有助于更准确地学习用户和项目表示。近年来,将评论融入推荐模型引起了越来越多的关注。然而,如何自动有效地获得更深层的用户和项目评论特征,如何更好地将评论与评分等多源异构数据相融合,值得进一步研究。本文开展了基于评论的深度推荐模型和算法的研究,完成的主要工作如下:（1）现有的基于评论的推荐方法通常使用相同的模型来学习所有用户和项目的评论表示,但是,不同的用户有不同的偏好,不同的项目有不同的特点。因此,对于不同的用户项目对,同一个词或类似的评论可能具有不同的信息性和不同的重要程度。基于此,本文提出了融合评论信息的双重注意力深度推荐模型DARM（Dual Attention Recommendation Model with Reviews）。该模型分别对用户评论嵌入和项目评论嵌入进行关键信息识别构建局部注意力,并通过项目评论特征对用户评论特征构建关键评论识别的交互注意力。通过基于深度学习和双重注意力机制提取的评论特征,以及对评分信息进行建模得到的评分特征,最终通过因子分解机进行融合并得到评分预测。（2）由于不同的评论具有不同的信息性,而且许多评论都是嘈杂的,甚至是误导性的,因此将评论的有用性信息结合起来可以帮助更好地利用评论进行推荐。基于此,本文在DARM模型的基础上加入了评论有用性,提出了DARM-Help模型,该模型通过定义评论的有用性并计算其得分来计算评论的注意力权重以便更好地提取用户与项目的评论特征。由于许多评论没有有用性得分,该模型提出了融合评论有用性预测与评分预测的多任务学习方法。（3）在Amazon和Yelp的真实数据集上进行了上述模型及算法的实验,以验证其推荐性能。实验结果表明,本文提出的DARM模型和DARM-Help模型相比其他基于评论信息的评分预测算法具有较低的MSE,即具有更好的推荐性能,并且DARM-Help模型比DARM模型的推荐效果更佳。