随着互联网的飞速发展,“信息过载”的问题使得电子商务推荐系统面临着如何定位用户兴趣及时提供准确产品的瓶颈。而协同过滤算法是在诸多推荐系统中使用最广泛和有效的算法之一,但推荐准确性与数据稀疏性等问题一直都是影响该算法效果的重要因素。本文利用电子商务社区中丰富的用户评论信息,通过结合用户偏好相似度来改善传统协同过滤算法的推荐准确性,并通过相似度传递,在一定程度上缓解数据稀疏性带来的问题。　　 本文首先对国内外电子商务推荐算法进行了深入的分析,在此基础上,提出了基于评论挖掘的协同过滤推荐算法。本文通过中文词性的句法统计分析,从评论语料中挖掘出产品特征词和情感词的常用词性模板,并利用这些模板提取产品特征词和情感词。之后利用提取出来的产品特征词和情感词划分产品的关注层面,并从评论中量化出产品各个层面的分数,最后根据学习到的用户偏好及历史评分数据,计算用户偏好相似度与评分相似度进行协同过滤推荐,并通过相似度传递缓解了数据稀疏性带来的问题。实验结果表明,在数据稀疏的情况下,本文提出的算法在推荐准确性方面较传统的协同过滤算法有明显的提高。