推荐系统如今已经发展成较为成熟的技术,它通过分析大量的用户的操作行为,在用户不能明确需求的情况下将和用户兴趣相关的物品推荐给用户。其中经典的协同过滤方法应用广泛而且简单有效,但随着商品规模的扩大,用户购买的数量相对较少。这种情况下,采用协同过滤就会出现用户-项目评分矩阵稀疏问题,无法找到相似度较高的用户,因此最终会影响推荐系统的准确率。针对这一问题,本文从用户评论信息中挖掘用户兴趣提高推荐算法预测的准确率,并解决电商评论信息过载问题。本文的主要内容如下:1.对本文涉及到的推荐系统相关理论和技术进行研究,列举并分析了几种常见的推荐算法。分析了目前的协同过滤算法遇到的问题。2.针对传统协同过滤算法的稀疏性问题提出了一种改进方法,将主题模型融合到用户的相似度计算当中。提出一种将时间函数融合主题分布的相似度计算方法。设计了相关试验,以本文提出的算法与基于用户的协同过滤算法在亚马逊公开数据集上进行性能比对。实验结果表明本文提出的算法在准确率上得到了提升。3.设计了一套基于评论和评分的推荐系统并对系统整体功能及每一个模块进行分析与设计。开发了用户交互页面,实现了从评论数据的收集到推荐结果的输出与展示。最后对系统进行了测试,测试结果达到预期。