随着互联网的迅速发展和云计算技术的日益成熟,丰富多样的信息来源以及获取方式给用户提供了更多的选择。但是面对着各式各样的信息,用户开始变得措手不及,如何快速高效地获取到自身所需信息愈加困难。推荐系统的出现为缓解信息过载提供了一个有效手段。在各个不同的领域,许多学者已经对推荐系统进行了广泛的研究,试图更好地实现用户和物品的精准匹配,以提高推荐系统的推荐性能。许多购物网站中存在用户编写的大量评论信息,大部分推荐系统虽然利用了评论信息,但仍有很大的改进空间。主要存在以下问题:（1）评论中信息参差不齐,掺杂了很多无用信息,影响推荐效果。（2）用户的兴趣偏好并不是固定不变的。在两种不同环境中,即使面对的依然是同一个商品,他的决策也可能是不一样的。同时,上下文环境中不同上下文因素的影响也是不同的。（3）大多数现有的推荐系统都假设一个用户对于某一特征的关注对于所有的商品都是相同的,无法准确体现用户偏好。针对上述存在的问题,本文主要进行了以下几个方面的研究。（1）为了提取评论中的重要信息,本文设计了一种融合多重注意力和评论评分的深度推荐模型。该模型从词和特征两个层面出发,在评论文本输入神经网络之前和特征提取之后,分别构造两种不同的注意力网络（词注意层和特征注意层）衡量评论文本中不同单词和特征信息的重要性,使重要的信息得到充分利用,降低非关键信息的干扰。本文在6个真实数据集上进行了实验验证,同时设计了注意力机制对比实验,结果表明该模型有效提高了评分预测精度。（2）为了准确感知用户偏好,本文设计了一种基于上下文和方面感知的交互推荐模型。上下文注意交互层通过注意力交互网络得到施加了上下文作用的用户/项目特征,并且差异化处理具有不同重要性的上下文环境因素。方面注意交互层通过构造注意力交互网络捕捉用户对不同项目各个方面的不同关注度,实现方面感知的细粒度建模。本文在3个真实数据集上进行了实验验证,同时设计了相应的重要性对比实验,结果表明该模型有效提高了评分预测精度。（3）本文设计并实现了一个高效的个性化电影推荐系统。该系统以用户的评论、评分以及上下文等历史数据为基础,利用上述融合了多重注意力机制的深度推荐方法挖掘和分析用户的兴趣偏好以智能生成电影推荐列表,满足用户的个性化需求。实践表明,该系统有效地提升了用户的观影体验。