随着信息技术的发展,互联网为人们带来便利的同时也产生了信息过载的问题。协同过滤算法作为热门的推荐算法之一,它能极大地提高用户获取目标信息的效率,但该算法仍存在着数据稀疏性问题。为缓解这一问题,本文引入信任与评论等辅助信息,并围绕基于评论与信任关系的推荐算法展开研究。针对评论文本无法被充分挖掘、用户间直接信任关系稀疏及未考虑更多信息等问题,提出相应的解决方案。本文的主要工作如下:（1）构建了一个具有三层注意力机制的混合推荐算法（Hybrid recommendation algorithm based on three-layer Attention Mechanism,HRA-TA）,该算法首先用三层注意力机制从用户和项目的评论文本中学习得到用户和项目的深层表示,其次用矩阵分解从评分中学习得到用户和项目的浅层表示,最后将用户和项目的深层和浅层表示拼接作为用户和项目的最终表示用于预测评分。（2）本文认为有过对同一项目评分行为的两个用户间存在直接信任关系,提出了将皮尔逊相似性度量的用户偏好值作为用户间的直接信任值,并改进了信任传播得到用户间新的信任值。（3）现有的大多推荐算法在缓解数据稀疏性问题时,未同时考虑用户的评论和信任信息。本文将新的信任关系和基于BERT（Pre-training of Deep Bidirectional Transformers for Language Understanding）方法得到的项目评论文本融合在概率矩阵分解方法中,最终生成推荐算法（Probabilistic Matrix Factorization Recommendation Algorithm Combining Trust Relationship and Review Text,TRPMF）。在亚马逊提供的Office Products、Toy and Games、Kindle Store和Movies&TV四个数据集以及Yelp点评网站提供的Yelp数据集进行了实验,结果表明,数据稀疏性问题得到一定的了改善,推荐性能得到了一定的提升。