随着互联网的快速发展,在面临“信息过载”情况下推荐系统扮演着越来越重要的角色。协同过滤是应用最广泛的一种推荐算法。实际情况下,用户进行评分可以看作是一种决策行为,而用户和物品的特征很大程度上会影响用户的决策。在推荐系统中结合这些特征能够提高推荐的准确度,从而增强用户满意度。用户评分矩阵包含大量的缺失值,推荐算法可以看成一个对其中的缺失值进行填充的过程。传统的协同过滤算法根据用户评分矩阵中已填的值,计算用户(物品)之间的相似度,根据最相似的K个用户(物品)的评分值来填充缺失值。本文将物品的情感特征(如正面／负面情感信息等)引入到推荐算法中,所研究的数据中,除了用户-物品评分矩阵,还包含物品-情感关联矩阵。本文的主要工作如下：1.提出利用用户对包含特定情感的物品的评分的信息熵来度量不同的情感特征对于用户的重要程度,得到基于情感特征的预测算法,最后以预测评分融合的方法与传统的协同过滤算法融合。该算法比协同过滤算法有一定的提高。2.研究了基于情感特征的物品相似度,通过考虑不同情感对于物品的贡献度,得到改进的基于加权情感特征的物品相似度。将改进的基于加权情感特征的物品相似度作为参数融入到基于矩阵分解的协同过滤算法中,实验表明该算法准确度上有较大的提高。3.根据用户情感评分以及情感对于用户的重要程度,提出基于情感特征的用户相似度,在2)的基础上将此相似度作为参数融入,最后实验效果在2)的基础上有进一步的提高。这说明本文提出的改进的基于加权情感特征的物品相似度和基于情感特征的用户相似度能很好地反映物品和用户的情感特征,也说明将情感特征以相似度方式融入到基于矩阵分解的模型的方式比较有效。