随着电子商务的不断发展，商务网站上的商品数量和种类与日俱增，个性化推荐系统可以帮助用户快速的从海量的商品中挑选出满足自己需求的商品。而常用的协同过滤算法存在着数据稀疏性和冷启动等问题进而影响了协同过滤算法的准确性。而商品评论中有大量的消费者对商品及其属性的观点和情感，蕴含了重要的消费者偏好信息；历史销售数据能够直观的反映出消费者的购买行为和偏好，通过对销售数据和评论数据中用户偏好有效的提取并应用于个性化推荐中，可以提高推荐算法的准确性。
　　本文在对国内外相关文献进行综述的基础上，结合销售数据关联规则分析结果和商品评论文本的情感分析结果，提出了基于用户消费偏好的改进协同过滤推荐算法和基于用户购买模式商品推荐算法。首先，考虑用户复购性低等特征，对销售数据进行用户类群的划分，通过对不同用户类群购买商品特征元素的关联规则分析，挖掘了不同用户类群的不同消费偏好和购买模式规则。其次，分析了商品评论文本的特征，发现商品评论语句中不包含情感词但有情感倾向，或者有情感词但没有情感倾向等隐性情感的评论文本较为常见，传统的分析方法均忽略具有该特点的语句，基于上述特点提出了基于隐马尔可夫模型的隐性情感分析方法，不提取情感词，将情感倾向分类问题转化为隐马尔可夫的输出序列的概率计算问题，对商品评论信息进行了细粒度的情感分析，并依据用户在商品属性上的具体情感得分，结合用户评论的关注度指标精准定义了用户消费偏好模型。接着，提出了基于用户消费偏好模型的改进协同过滤推荐算法，基于用户消费偏好模型，定义了用户相似性计算方法，考虑冗余过滤和时间及商品的用户情感得分等因素，生成推荐列表，为目标用户推荐最优商品。针对新用户问题设计了基于用户购买模式推荐算法，根据用户购买模式，提出基于用户类群的商品特征和用户特征的推荐策略，为目标用户推荐符合其偏好的商品。
　　最终，本文以“苏州贝宝电子商务有限公司”的真实数据为样本进行了实验，对销售数据进行关联规则分析，对评论文本进行商品特征提取、情感分析和偏好模型构建，并实施两种推荐算法并进行算法验证。与传统的推荐算法对比，本文提出的个性化推荐算法可以对用户产生更准确的推荐，在电子商务网站中有一定的应用前景和潜力。