随着互联网的飞速发展,每天都有海量信息不断产生和传播,进而出现信息过载问题,用户难以从中主动找到需要的信息。因此推荐系统应运而生,并且因其能够有效过滤信息,为用户进行精确的个性化推荐服务而成为研究热点。尤其在电子商务,新闻,音频,视频,广告投放等领域,个性化推荐帮助用户更有效地获取信息,同时也为平台增加了浏览量和销售额,起到了越来越关键的作用。本文主要研究推荐系统中的用户冷启动问题,针对仅可以利用商品历史文本评价的场景,提出了一种改进的多臂赌博机冷启动推荐算法,同时提出了一种与该算法兼容的商品潜在特征提取方法。传统的多臂赌博机算法没有充分利用用户对商品的反馈信息,并且在推荐过程中没有利用特征和用户协同的作用。本文首先提出将自然语言处理领域的LDA主题模型用于提取商品潜在特征,并且从模型原理角度论证了文章主题提取与基于商品评价提取特征的相似性,以及该方法的可行性,并通过实验与其他方法对比。然后,在传统多臂赌博机的基础上提出了一种融合协同过滤与上下文信息的多臂赌博机推荐算法,该算法在结合上下文的多臂赌博机算法基础上,引入了精细的协同效果。当为目标用户推荐商品时,目标用户与其邻居用户会共同决定推荐结果,并且通过相似度权重因子控制邻居用户对推荐的贡献程度,从而保证目标用户自身特征起主导作用,且引入协同效果,优化推荐性能。推荐完成后根据用户真实反馈以及所推荐商品的特征更新用户特征,从而在有限的推荐次数内,用商品特征快速拟合到用户偏好,解决用户冷启动问题。最后采用离线模拟在线推荐的方法,基于真实数据集Delicious和Last.fm将本文算法与该领域的最新方法进行比较。实验结果表明,本文提出的基于LDA主题模型提取商品潜在特征的方法,能够有效利用商品文本评价提取商品特征,能够避免传统特征构建方法的不足,相比其他主题模型效果更好,且适用于用户冷启动问题;还表明,本文提出的融合协同过滤与上下文信息的多臂赌博机算法对推荐性能有提升作用,在推荐过程中能够获得更高的点击率以及更小的累积误差。