个性化推荐系统可以帮助用户在海量的项目集合中找到他们喜爱的项目,其被广泛地应用于电子商务网站、在线内容提供平台以及社交网络平台中,并成为这些网站提升服务质量的重要技术之一。其中,协同过滤方法是最成功的推荐方法之一。利用集体智慧的思想,协同过滤可以产生精确的个性化推荐。然而,传统的协同过滤推荐系统面临着数据稀疏和冷启动问题,即,当用户、产品的交互信息非常稀疏时,协同过滤算法常常会失效。近年来,随着在线用户反馈信息的爆炸性增长,伴随着评论的评分反馈也越来越丰富。这些评论包含着用户和项目丰富的信息。本文通过对评论文本的分析,提出了两个改进的评分预测方法,在数据稀疏和冷启动的情况下,显著提高了评分预测的精度。第一,本文提出了一个基于文档向量和回归模型的评分预测框架,它利用文档向量表示模型将非结构化的评论文本用相同维度的向量表示,进而构造出刻画用户和产品的特征向量,并使用这些向量和用户与产品的偏置一同构造用户-产品对特征实例集,最终融合多个回归模型进行评分预测。框架使用文档向量模型,为用户-产品对构造了较为精确的特征空间,并利用高效的回归模型,使得其数据稀疏时的评分预测精度显著地优于传统的协同过滤方法。第二,本文提出了一个基于方面情感统一模型(ASUM)的潜在因子作为主题(HFT)的扩展模型:评分即情感(RAS)模型。由于文本评论中不仅包含了用户对产品的不同方面的关注情况,还包含了对特定产品具体方面的情感,这些情感在很大程度上影响了用户的评分。因此,RAS将用户在评论中表达的情感与评分相关联,相比于基准模型,它能够学习更加精确的用户和产品的潜在因子。在基于真实的数据集上的实验表明,本文提出的两个方法显著改善了数据稀疏的情况下评分预测的准确性。