互联网技术的高速发展,极大地降低了人们获取信息的门槛,与此同时,全球互联网上每时每刻都在产生庞大的数据,人类社会已经进入了信息过载的时代。基于协同过滤的个性化推荐技术作为解决信息过载问题的有效手段,能够通过分析用户的历史行为,从海量的数据中挖掘出与用户兴趣相符的信息进行推荐。不仅帮助人们提高了信息获取的效率,而且也让信息能够精准的展现在对它感兴趣的用户面前,为企业带来了巨大的经济效益。在实际的应用中,传统的协同过滤推荐算法面临数据稀疏性和冷启动问题,导致算法预测的精确度以及运行效率偏低。为弥补协同过滤推荐算法的不足,本文提出了一种基于用户评分与评论的推荐系统方案,并在Spark平台上进行了实现。本文的主要工作包括以下几个方面:(1)提出了一种基于大数据预处理技术的物品特征提取方法。首先对用户评论的文本进行预处理,包括物品评论聚合,缺失评论填充,重复数据删除,评论数据格式转换,然后利用Word2Vec模型从预处理后的评论文本中提取物品特征,取得了较好的效果。(2)提出了一种基于用户评分与评论的推荐算法。首先引入用户评论的词频、评分、评论时间和评论帮助度改进物品特征,然后根据物品特征计算物品相似度,最后根据物品相似度预测用户评分,生成推荐列表。(3)在大数据处理平台Spark上完成了基于用户评分与评论的推荐系统的设计与实现,首先将推荐引擎分为在线计算和离线计算两个模块,实现了算法的并行化执行;然后在真实的亚马逊商品数据集上验证了基于用户评分与评论的推荐系统的有效性和可扩展性。(4)本文最后的实验结果表明:与多种经典的协同过滤推荐算法相比,本文推荐系统中提出的算法在平均绝对误差MAE指标上有一定优势,预测准确率与基于物品的协同过滤算法相比有较大的提高,总体上优于传统的协同过滤算法,能够有效缓解数据稀疏性和冷启动问题。