推荐系统的出现缓解了信息过载所带来的一系列不便问题,为用户提供精准的信息推荐。但是数据稀疏性、冷启动等问题仍然对推荐系统的性能产生了极大的限制。随着新热点深度学习技术的崛起,文本处理技术也迎来了新突破。研究人员开始利用文本处理技术将评论文本向量化表示并利用评论文本的信息实现推荐,这在一定程度上缓解了数据稀疏性问题。以此为契机,基于评论文本的深度推荐模型受到了极大的关注,而如何从评论文本中挖掘出更多有价值的信息以提升推荐模型的性能成为了研究的热点。本文以评论文本为主要研究对象,探讨基于评论文本的评分预测深度推荐模型。首先将新提出的双重注意力层融入基于卷积神经网络的文本处理器优化模型的特征提取能力;然后使用改进的基于细粒度文本的方面类别识别器结合方面类别情感分析器生成方面类别情感信息,并将情感信息运用于原模型提升评分预测效果;最后设计并实现了电商原型系统。本文的具体研究工作如下:（1）针对现存主流的基于评论文本的评分预测深度推荐模型未能充分考虑评论文本在不同层面的重要度信息对模型效果的影响,提出一种新的评分预测深度推荐模型DATCo NN。该模型在主流文本处理器的基础上进行改进,一方面在词向量处理过程中融入融合上下文信息的词级别注意力层,利用卷积神经网络强化单词之间的耦合性,突出重要度更高的单词;另一方面在整合用户和项目向量矩阵的过程中嵌合融入时间因子的评论级别注意力层,引入人脑遗忘规律的概念,将时间因子融入注意力机制拟合实际推荐场景下用户对项目的兴趣程度随时间变化的情况,降低无用评论对建模效果的影响。实验结果表明,改进后的模型能够很好的挖掘词级别和评论级别的重要度信息,有效改善模型的特征提取能力。（2）利用深度学习技术对评论文本进行特征提取实质上是一个抽象的过程,无法提取评论文本评论对象的具象化信息以及用户对评论对象的情感倾向。而将外部标注的方面类别信息引入模型对评论文本的方面类别及情感极性进行定义能够很好的弥补这一方面的不足。但是,如何针对评论文本前后表意不同的问题准确识别其方面类别以及如何将方面类别情感信息运用于推荐模型是此方案难点。针对上述难点问题,在原模型的基础上进一步优化,提出一种改进的评分预测深度推荐模型ADATCo NN。一方面,模型依照标点符号和依存句法关系将评论文本切分为子句片段并将方面类别转移到更为契合的子句片段中,利用上述细粒度文本的方面类别信息训练识别器,缓解评论文本前后片段表意不同所导致的方面类别冲突;另一方面,将方面类别信息以及情感分析器ATAE生成的情感极性融入用户偏好及项目属性向量,同时利用方面类别识别过程中的损失优化推荐模型损失函数的结构,使模型能够捕捉方面类别属性并准确把握用户的情感导向。实验结果表明,改进模型ADATCo NN能够很好的将用户情感信息融入推荐模型,提升评分预测的准确性。（3）在上述研究的基础上,本文设计并实现了电商原型系统。系统采用目前主流的技术架构,实现了电商平台的主要功能,并将本文研究的推荐模型封装起来为用户提供商品推荐功能,很好的展现了本文提出的推荐模型的使用价值。