随着互联网的发展,电子商务平台网站用户和商品数量急剧增加,用户的需求也是因人而异。推荐系统能帮助用户从海量的商品中找到喜欢的商品,改善用户购物体验的同时,也带来了巨大经济效益。传统推荐系统将用户对商品的评分信息作为输入,导致输入数据非常稀疏。解决数据稀疏性的常见方法是在算法中额外引入一些辅助信息作为输入。而用户评论文本包含丰富的语义信息,可以在一定程度上弥补数据稀疏问题。相比传统的推荐系统算法,基于深度学习的推荐算法能够直接从数据中提取特征,具备较强的抗噪能力,可以更加准确的学习用户和商品特征,近年来被广泛使用在各类推荐任务中。但是还存在一些不足:第一,基于卷积神经网络的推荐模型只能提取固定感受野的特征,然而不是所有特征都能被同一个感受野的卷积神经网络充分提取。第二,目前基于深度学习的推荐算法通常单独采用卷积神经网络或循环神经网络来提取评论特征,不能全面的表达用户和商品的特征信息;第三,没有考虑评论以及其中的单词对用户和商品建模的重要性不同。本文针对以上存在的问题,提出了相应的解决方法,主要研究内容如下:第一,针对卷积神经网络提取评论特征时只能捕捉单一感受野的单词信息,本文利用门控机制,自适应的提取多个卷积神经网络提取的评论特征;第二,针对单独使用卷积神经网络或循环神经网络不能全面提取评论局部信息和全局信息的不足,本文通过自适应卷积神经网络提取评论局部特征,使用门控循环单元（GRU）或Transformer提取全局特征,融合局部和全局提取的特征,更好的表示评论信息;第三,为了更好的评估用户评论对建模用户和商品特征的重要性,本文采用基于多层级注意力机制对评论进行有用性评估,以衡量不同评论以及评论单词对建模的影响;本文通过对用户评分和评论数据进行特征提取,构建了端到端的基于深度学习的评分预测推荐模型,在5个Amazon公开的商品评论数据集上效果对比基线模型提升了2.93%-6.26%,实验结果证明了本文提出模型的合理性。