互联网技术的快速发展使得信息呈爆炸式增长,由此带来了信息过载的问题,推荐系统可向用户推荐其可能感兴趣的内容,由此缓解该问题。推荐系统中传统的协同过滤技术仅使用评分矩阵,而边信息的融入能为推荐系统提供更多的信息量,于是融合多种边信息与评分矩阵成为流行趋势。在众多的边信息中,评论文本信息量较为丰富,能有效反映用户的兴趣偏好与物品的属性特点,因此基于评论感知的推荐方法成为现有研究热点之一。现有研究表明深度模型可以更好地从评论中学习到用户和物品的特征表达,注意力机制由于能识别评论中的重要文本而被广泛应用于深度推荐模型中。然而,现有基于注意力机制的工作往往独立训练用户网和物品网,仅在最后一层进行特征融合,削弱了用户与物品之间的相关性。针对上述问题,本文设计了基于互注意力机制的评论感知推荐算法。首先,在该算法中构建了融合评论特征与非评论隐特征的互注意力模型,其利用用户、物品的非评论隐特征,通过互注意力机制将双网进行桥连,由此强化双网训练过程的相互影响。以用户网为例,在对用户评论文本进行建模的过程中,我们分别使用个性化注意力机制和互注意力机制来选择更能反映用户个性化偏好和物品对用户影响的两组重要文本,物品网建模过程类似。值得注意的是,我们还考虑到了不同粒度的文本对表征学习的影响,因此使用层级注意力机制分别进行词级和评论级建模。其次,在该算法中构建了融合用户侧评论与物品侧评论的互注意力模型,在建模时考虑到两侧评论的双向影响,以此标记用户侧与物品侧重要评论,然后根据评论的重要性分别对用户侧评论特征和物品侧评论特征进行融合,由此得到用户和物品的特征。最后,我们在输出层采用因子分解机模型对这两个模型输出的特征进行融合与评分预测。为了验证本文所提出方法的有效性,我们在亚马逊商品数据集的三个子集上展开实验,并与现有的评论感知方法进行了比较,实验结果显示本文方法具有最优推荐性能,进一步的退化实验表明将双网进行桥连的互注意力机制对模型性能提高发挥了重要作用,该机制强化了用户与物品之间的交互性,有助于进一步精细化用户和物品的特征表达。