随着网络信息量的急剧增长,传统的信息检索方法出现了一些性能瓶颈。例如,对于内容信息的检索需要用户提供明确的需求,输入关键词进行查找的方式无法解决海量检索结果的筛选问题等。智能推荐系统的出现可以在一定程度上缓解这种信息超载问题,提高信息的使用效率。此外,推荐系统也是增强用户体验和促进许多在线网站与移动应用程序进行销售和服务的关键工具。例如,在视频服务商Netflix上观看的电影有80%来自推荐功能,而在自媒体内容网站YouTube上有60%的视频点击来自于用户的主页推荐。个性化的电影推荐系统能够为用户推荐与他们喜好相符的电影,不仅可以大量节省用户信息查找的时间,而且能在网站和用户之间建立密切的联系,让用户对推荐产生依赖,从而形成良性循环。而对电影推荐网站和视频网站来说,准确的推荐能够提高用户的点击率和购买率,从而为企业带来大量利润。基于以上背景,本文主要开展了以下三个方面的创新研究:第一,构建融合评分和评论的混合电影推荐模型。该模型可以分为融合用户兴趣特征和情感的个性化推荐算法(SentiNMF-U),以及融合电影主题特征和用户情感偏好的个性化推荐算法(SentiNMF-I)。本文利用影评提取用户的兴趣主题和电影的特征主题,不仅能够突出每个用户和每部电影的特性,而且能够有效缓解推荐系统中的数据稀疏性问题。第二,根据句子的情感倾向精细划分影评文档。在利用主题模型对影评进行主题提取之前,根据情感分析方法将情感倾向不同的影评文本分开处理,能够更形象地描绘用户和电影的“画像”,使推荐策略避免推荐相似的负向偏好,并更准确地贴近用户的正向观影偏好。第三,采用基于协同过滤的“投票机制”生成推荐列表。本文创造性地在推荐中使用根据相似度分配投票权的“投票机制”来构成推荐集,避免了传统协同过滤推荐框架中的权重求解难题。在豆瓣真实影评数据集上的实验结果表明,当数据集非常稀疏的时候,即对于影评网站的大部分用户(往往只给出五个及五个以下的评分和评论)而言,本文提出的两种算法都能获得比具有代表性的推荐算法更好的推荐效果。而且,本文将自己提出的算法进行对比时,发现SentiNMF-U要优于SentiNMF-I,同时也证明了将影评根据用户的情感倾向分为正负文档进而分别提取主题是有效的。针对个性化推荐系统中的数据稀疏性的痛点,本文提供了在真实数据集合中得到验证的新型解决思路和方法,这对于本领域中学术界和工业界的相关学者以及研发人员具有较好的启示意义。