随着互联网的蓬勃发展,网络信息迅猛增长。高速流通的信息可以给人们的日常生活带来方便,但这也意味着用户快速精准地找到所需信息变得愈加困难。用户每次执行打开页面、点击鼠标和填写表单等操作都会产生数据。推荐系统可以从这些数据中推测出用户的兴趣偏好,从而给用户推荐个性化信息。推荐系统具有实际的应用需求,如淘宝、今日头条和网易云音乐等凭借着精准推荐在同类市场竞争中占据了优势。同时推荐系统也是学术界的热门议题,其研究方向主要有两种,一种是对于用户的Top-N推荐,另外一种就是用户对商品评分的预测。ToP-N推荐是为用户推荐商品列表,其实质还是评分预测。近年来,基于评论文本的评分预测推荐算法受到越来越多研究者的关注。用户编写的评论文本包含更多的可靠信息,可以从中深度挖掘出商品的特性以及用户的兴趣偏好从而实现更精准的推荐。本文基于评论文本解决的是目前较为常见的评分预测问题,主要工作如下:(1)提出了一种基于评论图谱的推荐模型。该模型包含知识加工、特征构建和预测回归三个阶段。首先利用Doc2vec模型抽取评论的语义特征;然后使用基于图模型的方法抽取评论关键词,并利用知识图谱构建评论关键词间的语义关系对用户的兴趣偏好进行扩展。通过融合评论语义特征以及从知识图谱中抽取的网络节点特征来表示用户和商品的特征向量,最后在预测回归阶段采用libFM模型对评分进行预测。(2)提出了一种基于双层注意力机制的评分预测推荐模型。该模型包含两个平行的卷积神经网络,联合学习用户和商品的隐藏特征表示,建模时综合考虑了细粒度的词汇和粗粒度的评论两个层面,将连接的词向量和评论向量作为网络的输入,并采用基于Word2vec的语义一阶跳转方法表示评论向量,进一步丰富评论的语义表达;在卷积层之前设计注意力层,加强重要特征对评分预测的贡献,并增加了模型的可解释性;顶层使用因子分解机模拟高阶潜在特征的相互作用,以进行评分预测。实验结果表明,所提出的方法相比于基准方法有更低的均方根误差,可有效提高评分预测精度。