推荐系统已有二十多年的发展,最初多用于电子商务网站,目前已经广泛应用到相当多的领域,包括电子商务、影视、音乐、社交平台、新闻信息、广告等。网络技术的发展使得我们获得的用户行为数据越来越多,数据的类型也随之增加,因此我们应该充分利用这些数据,更好的挖掘用户的潜在需求。一方面将用户需要的信息和热门物品或者长尾物品展现给他,另一方面也有利于信息生产者营销自己的产品。几乎所有的推荐系统都是由前台展示页面、后台的日志系统以及推荐算法系统三部分构成。推荐算法是推荐系统研究的核心,目前单一的推荐算法通常会存在冷启动等问题。因此本文将基于邻域的推荐算法与基于内容的推荐算法相结合,进行混合推荐。混合推荐算法弥补了单一推荐算法存在的缺陷,使得给用户的推荐列表更精确,推荐更全面。推荐算法离不开用户或者项目之间的相似性度量,通常由于项目和用户数量庞大,用户-项目评分矩阵非常稀疏,设计出的推荐算法存在推荐不精准的问题。本文针对这一问题提出将共现潜在语义空间模型(CLSVSM)运用到推荐算法的设计中,将“共现”概念运用到推荐算法中,用“共现强度”代替传统推荐算法的相似性度量,并对用户-评分矩阵进行补全。传统推荐算法还存在只采用单一的评分数据或者采集网络用户浏览数据进行建模推荐的问题。这些推荐模型在网页内容日渐丰富以及用户个性化要求的提升已经显示出很大的不足。进入大数据时代,网络用户的个性化需求不断增多,数据的结构也丰富起来,不仅仅是数字,还有文字、图片等。因此本文在传统的利用评分数据建模的基础上加入了文字评论数据,评论数据不仅可以描述商品特征,而且能表达出用户对商品的情感倾向。文章采用的是美团评论数据,包括评分数据和评论文本数据,对评论数据从不同维度充分挖掘,并将其进行分词处理和特征词提取,然后对评论文本建立情感词典进行情感分析。既充分利用了评论文本数据,又提高了推荐系统的推荐精准度,实验结果良好,证实了算法的可行性。