随着计算机技术的不断更新,互联网逐渐影响着人们的生活方式,相比以前的线下购物,现在更多的采用线上购物的方式,在提高购物效率的同时,消费者也从单纯的购物行为转变为消费体验,随着购物行为的发生,会衍生出一系列的消费者行为,包括购物前的产品咨询、产品历史评论查阅,以及购物后的商品评论、商品追加评论。互联网的便捷性使得电商平台中商品的种类日益增多,对应的商品历史评论也越来越多,导致消费者的选择愈加困难,同时对于商家,怎么快速获取消费者的购物需求并进行精准推荐变得越来越重要。基于上述问题,本文对商品推荐系统进行研究。商品评论以及商品评分能够真实的反映商品的实际情况,而消费者的历史评论又能真实反映消费者的个人偏好,因此本文通过对商品评论文本数据的情感分析,提出了基于消费者情感偏好的商品推荐系统模型。该模型通过主题提取方法,获得消费者最为关注的商品属性,再通过情感分析模型计算出消费者和商品在不同商品属性上的情感得分,进而得到消费者-商品属性情感偏好向量以及商品-商品属性情感得分向量,并引入商品关联度和消费者关联度,最后通过计算推荐度判断出消费者更为感兴趣的商品,实现推荐过程。本文的主要工作如下:首先,通过对推荐系统研究现状的分析,本文总结出主流推荐方法的优缺点,并结合情感分析技术的现状,提出基于消费者情感偏好的推荐系统理论模型。然后,本文提出基于消费者情感偏好的推荐系统分层实施模型,将模型实施分为五个过程,分别为数据获取、数据预处理、商品属性提取、情感分析和商品推荐,并对每个实施过程中使用的方法和技术进行介绍。其次,本文将基于消费者情感偏好的推荐系统理论模型应用在图书销售推荐中,对现有研究中挖掘的图书属性进行分析,引入图书主观属性和客观属性概念。最后,本文利用亚马逊图书数据集进行实证分析,挖掘出图书评论中的图书属性,包括主观属性与客观属性,依据读者评论计算出图书的情感得分矩阵,并构建读者情感偏好矩阵,使用基于消费者情感偏好的图书推荐系统模型进行推荐,并与基于协同过滤的推荐系统进行对比,采用推荐准确率和召回率两个指标判断不同模型的优劣,同时对图书主观属性的有效性进行了验证。