随着大数据及人工智能时代来临,个性化推荐系统作为解决信息过载问题的重要技术手段受到越来越多研究者的关注,以协同过滤算法为核心技术手段的传统推荐系统取得了令人瞩目的成绩并得到了广泛的应用。传统协同过滤技术主要围绕用户对物品的评分矩阵来展开研究,以近邻模型或矩阵分解的方法进行评分预测,从而来完成用户对物品推荐任务。随着用户和物品规模不断扩大,传统协同过滤推荐算法存在的数据稀疏以及冷启动等问题逐步暴露且日益严重。传统协同过滤推荐算法仅仅考虑了用户对物品的评分数据,而忽略了用户评论、用户标签及物品标签等相关内容信息。这些文本内容中包含丰富的用户偏好和物品特征信息,对提高推荐系统的推荐效果有着重要意义。因此,本文在对传统协同过滤算法和用户评论分析的深入研究基础之上,提出了两种结合用户评分和评论的推荐方法。本文主要研究工作如下:首先,提出了基于评论主题分析的评分预测方法。用户评论蕴含的丰富用户和物品特征信息,而用户评分数据则是用户评论的数量化评定与表达。本文利用LDA主题模型提取用户评论中用户偏好向量和物品特征向量,然后结合回归模型建立评论特征向量和用户评分之间的函数关系,构建了一种基于评论主题分析的评分预测方法,最后根据评分预测结果来完成推荐任务。其次,提出了基于评论主题和隐式因子的推荐模型。传统隐语义模型基于矩阵分解的原理,将用户评分分解为隐式用户偏好向量和物品特征向量。本文将通过LDA主题模型从用户评论中提取用户偏好向量和物品特征向量引入到传统隐语义模型中,建立了一种基于评论主题和隐式因子的推荐模型,最后根据评分预测结果来完成推荐任务。最后,在真实Amazon电商评论数据集上对本文提出的两种方法进行了实验验证,并和传统推荐算法进行了对比分析。实验结果表明:相比传统协同过滤算法,本文提出的两种方法能够有效提高推荐效果,在一定程度上缓解了数据稀疏性问题并且具有更好的可解释性。