基于评论的推荐系统是一种主要通过挖掘文本信息抽取物品特征和用户偏好, 以提高性能的推荐系统方法. 现存的大多数方法忽略了撰写评论的陌生人信息, 引入陌生人信息可以更准确地衡量用户的相对感受并对目标用户的表达进行补充, 从而进行更精细的用户建模. 近年来, 一些研究尝试整合相似陌生人的信息, 但忽略了对其他陌生人信息的利用. 提出了基于偏好级别陌生人信息辅助的推荐系统模型CSRR(collaborative stranger review-based recommendation), 利用陌生人信息, 更加准确地对用户建模并进行适当扩展, 提升了推荐性能. 具体地, 为了准确捕捉用户的偏好, 首先, 设计了一个基于陌生人信息辅助的注意力模块, 该模块不仅考虑了评论文本的相似性, 也考虑了目标用户与撰写评论的陌生人之间的偏好交互作用; 其次, 一个基于陌生人信息过滤的门控模块根据目标用户–物品对的特征, 在偏好级别动态整合陌生人信息, 有效地过滤了陌生人的偏好信息以及丰富目标用户的建模; 最后, 应用隐因子模型 (latent factor model, LFM) 来完成评分预测任务. 实验结果说明CSRR模型在多个来源的真实数据集上均具有较高的预测准确度.