随着互联网和计算机技术的不断进步,信息的数量不断爆炸式增长,导致了普遍的“信息过载”问题。在信息大爆炸的今天,人们迫切需要解决的问题就是如何高效处理并使用这些信息。除了搜索引擎之外,另外一种可以帮助人们快速发现自己所需信息的强大工具就是推荐系统。推荐系统可以根据用户的历史行为、用户生成内容、商品的描述信息等客观数据来建模,从而推测用户的偏好,进而为用户推荐有价值的信息或者商品。近年来,越来越多的研究者注意到使用用户生成内容(如用户评论,地理位置,好友关系等)来设计推荐算法可以提高推荐性能。本文从不同角度研究分析了用户评论,提高推荐准确度,改善推荐质量。本文的主要工作如下:(1)对推荐系统相关的技术背景做了调研,系统地介绍了推荐系统的原理,并比较了一些常用推荐算法的优势和劣势。(2)相对评分来说,用户对物品的评论从用户和物品的各个角度具体表达了用户的观点。利用这些信息更有助于挖掘用户的喜好,本文提出了一种基于词向量的方法挖掘用户评论信息,并结合协同过滤方法设计新的推荐算法,来改善评分预测的效果。(3)针对现有基于评论的推荐算法没有充分考虑个性化的问题,本文通过对评论进行主题分析,挖掘用户喜好,分别建立基于用户和物品的个性化评分预测模型以提高推荐系统的评分预测性能。(4)主要介绍了基于知识库的评论短语抽取和分层式展示方法。高效、准确、用户友好的评论标签展示不仅可以改善用户查阅用户评论的体验,也可以用于构建更加细致用户画像和物品特征,实现更精确的推荐系统。