用户在线发布的对商品的评论包含着丰富语义信息,这些评论中的语义信息蕴含着用户偏爱的方面以及推荐中的商品的属性。最近,各种推荐方法已经开发出相应的模块,以利用评论来改进建议性能。一个高级分支是提取显着性的方面(即用户在评论中表达的商品属性),并将这些aspect与用户和商品的潜在表示形式进行高级组合,从而进行特征学习。但是,以前涉及评论的推荐方法中,所有人都忽略了以下问题:语义上不同的评论通常包含截然相反的aspect的信息。具体来说,是语义上积极的用户评论,通常表示用户偏爱的方面,而语义上负面的评论表示用户拒绝的方面。然而,现有的基于评论的(包括aspect感知的)推荐方法都无差别地对正面和负面评论进行处理,没有特别地区分并处理不同极性的评论。结果,这将导致模型混淆用户偏好的和用户拒绝的(商品的)aspect(方面)。由于用户的喜好具有两面性,因此,这些已有的推荐方法不能适当地捕捉用户的喜好,这其实恶化了模型的推荐性能。为此,本文提出了称为“RPR”的“Review Polarity-wise Recommender”(基于两极性评论的推荐系统)模型,区别对待具有不同极性的评论。在这个模型中,正面和负面评论分别收集和使用,分别对用户偏爱的方面和用户拒绝的方面进行建模。正面的总得分可以通过用户偏爱的aspect上的(偏爱程度)分数以及每个相应aspect的重要性的线性组合获得。负面的总分数也可以通过进行相同的计算,即用户拒绝的aspect上的(拒绝程度)分数以及每个相应aspect的重要性的线性组合获得。RPR最后运用正面分数和负面分数之间的数学差异,来预测用户对商品的整体评分,即,用户u对商品i的总的偏爱程度减去总的拒绝程度。这种两项相减的计算方式,同时考虑了正面和负面的用户偏好。此外,要克服正面和负面的评论之间的不平衡问题,我们引入了一个注意力(attention)模块,来捕捉用户偏爱的aspect与用户拒绝的aspect的重要性之间的映射关系。RPR建立了两种aspect之间的映射关系。RPR能够获得用户拒绝的aspect的重要性的补充项。同样地,RPR能够获得用户偏爱的aspect的重要性的补充项。这样,两种类型的评论可以互补,互相提取相应方面的重要性,有效地消除了两极性评论不平衡所带来的影响。我们在两个基准的数据集上进行了全面的实验,评估所提出模型的有效性。对模型各部分组件、超参数的作用进行了研究,并开发了模型的可解释性。与一系列最新的基于评论的推荐基准方法相比,我们的模型取得了更好的推荐表现。作为补充,我们发布了实验的代码,数据,和参数设置,来方便同领域研究人员的对我们工作的复现和拓展。