目前基于评论的研究无论是在学术界还是工业界都取得了很大的成功,但是依然存在一些问题。这些现有技术主要以独立和静态的方式提取用户和项目的潜在表示,没有考虑每个候选项的特殊特性,导致无法更好地捕获用户的偏好。除此,大多利用简单的模型去寻找有用的特征组合,没有考虑到用户和项目间的深层次的交互,挖掘不到高阶特征,导致最终的推荐效果不佳。本文针对这些问题展开深入研究,主要内容如下:首先,为了动态地表征用户和项目间的交互关系,提出一种基于动态表征的上下文感知推荐模型:CADR。模型将用户的评论和对应的项目评论作为上下文,结合注意力机制构建深度学习网络框架,动态学习用户和项目的交互注意力特征。为了更精确地进行预测,将评分的隐含特征融合到模型中。并针对如何提取深层交互特征的问题,利用加入注意力机制的因子分解机进行深层次的特征交互。其次,为了更深入探索用户和项目间的深层交互特征,提出一种融合注意力的极深因子分解机推荐模型:A-exFM。模型从深度的角度出发,利用深度学习分别做显式高阶交互学习以及隐式高阶交互学习,同时加入注意力机制,加强特征的表现力;从广度的角度出发,既学习高阶交互特征也学习低阶交互特征,二者有机结合进行最终的预测。最后,在亚马逊评论数据集上进行实验,结果表明CADR模型以及A-exFM模型都可以提高评分预测的准确性,证明了两个模型的有效性和可行性。