作为最成功的推荐技术,传统协同过滤算法的核心是从用户对产品的评分中计算用户相似度或者产品相似度,进而基于相似用户或者相似产品的评分预测目标用户可能的评分并产生推荐。但是在实际应用中,存在着数据稀疏性的问题,即大多数用户只给出少量的评分。在这种情况下,传统的基于评分的协同过滤算法并不能产生令人满意的推荐效果。为此,本文提出了一个新的基于主题模型的协同过滤推荐系统和两个推荐算法,分别是基于主题模型和用户的协同过滤算法以及基于主题模型和产品的协同过滤算法。基于主题模型的方法,首先对用户评论进行处理,计算评论的主题概率分布,表示用户对产品不同特征的偏好。其次在基于主题模型和用户的协同过滤算法中,综合了每个用户给出的所有评论的主题概率分布,计算用户最重视特征,表示用户最重视的产品特征。基于用户最重视特征,计算用户相似度。然后,根据相似用户的评分预测目标用户可能的评分。在基于主题模型和产品的协同过滤算法中,也综合了每个产品得到的所有评论的主题概率分布,计算产品最重视特征,表示产品最受用户重视的特征。进而基于产品最重视特征,可以计算产品相似度。最后,根据目标用户对相似产品的评分预测评分。在亚马逊六个真实数据集上的实验结果表明,当大多数用户只给出一个评论和一个评分时,本文的算法比其他传统的协同过滤算法,其他解决数据稀疏性问题的算法和最新的基于主题模型的推荐算法都能取得更好的推荐效果。