信息技术的飞速发展,让人类真正迈入了大数据时代,这个时代在给我们提供巨大便利的同时,也带来了“信息过载”的问题。为了解决这一难题,研究人员提出诸多方案,其中,推荐系统是解决这一问题的重要方法。它可以将不同的用户和项目联系起来,不仅可以将项目高效推荐给用户,还可以使用户轻松发现自己感兴趣的物品。但是在推荐系统中,历史评分数据的缺失造成的数据稀疏性一直制约着推荐系统的发展。随着电子商务技术发展成熟,平台和用户的交互越来越多,用户开始对物品或服务等发表评论,而这些评论比评分更加能体现用户的个性化需求以及用户对物品的偏好。因此,本文提出了基于评论和评分数据的推荐系统研究方法。具体来说,可以分为以下两个工作:(1)提出了基于评论数据的社交矩阵分解模型ReTOMF,改善评分数据不足带来的稀疏性问题。缺少历史评分数据会造成冷启动问题,导致推荐质量不佳。本文使用丰富的评论数据,使用主题模型对文档建模,挖掘用户之间和项目之间的隐式邻居关系,并集成到社交推荐框架中。过去的推荐系统中,项目之间保持独立,但项目之间也应有相应联系,所以本文对项目之间也建立社交关系。当用户在购买不熟悉的物品时会选择查看评论等信息用来判断物品的价值,所以在模型中加入项目信誉,提高推荐的精确度。(2)提出了基于评论数据情感特征的推荐模型ReTFGM,用来挖掘用户对项目的情感特征。首先,利用主题模型计算每个文档的主题分布,并用评分数据建立用户评论态度,因为评分数据可以看做是评论文本所具有的情感的数值化体现,利用用户评论态度改进主题分布,形成新的用户偏好,用以计算用户之间的相似度,并称之为信任度。其次,为了弥补共同评论数据不足导致的信任度低的问题,提出了用户声誉的概念,利用用户和其朋友的相似度以及用户的评分偏差计算用户声誉,并作为信任值计算的一部分,通过信任值的大小为目标用户找到邻居集并集成到基于信任传播的矩阵分解技术中。最后,为了更好地改进模型提升推荐系统的准确性,在模型中加入了用户和项目的个性化特征即用户的评分偏好和项目信誉。