在“大数据”时代,互联网上每天都会产生海量数据,造成“信息过载”问题。“信息过载”问题是指人们在获取自己感兴趣的信息时,因为面对的信息过于繁杂,很难找到自己真正需要的信息。推荐系统是当前应对“信息过载”问题最有用的方法之一,在诸多领域都发挥着重要的作用。协同过滤推荐算法作为当前使用范围最广的一种推荐算法,可以对用户的历史行为记录进行统计和分析,从而挖掘出用户偏好以及物品属性,为用户提供更精准的个性化推荐服务。协同过滤推荐算法还可以挖掘出用户没有表现出来的偏好,提高推荐结果的多样性和新颖性。但该算法有一个严重的缺陷,在用户-物品评分矩阵极度稀疏时,存在数据稀疏问题,预测准确度会受到很大影响。传统的推荐算法往往只利用用户对物品的评分或用户的历史行为记录来获取用户偏好,忽视了用户评论中包含的信息,因此会造成推荐结果出现偏离。用户撰写的评论往往蕴含着丰富的语义信息,可以反映用户对物品不同属性的偏好。近年来,随着隐含语义分析技术的发展,研究者们开始通过使用用户评论更精准地获得用户偏好和物品属性,从而提高个性化推荐的准确度。聚焦于推荐系统中的评分预测问题,本文主要通过利用用户历史评分信息,结合评论补充算法对用户评论进行扩充,针对数据稀疏问题提出了基于多源用户评论的评分预测算法。其中主要包含了以下方面的工作:·分析当前推荐算法的研究现状,对传统的协同过滤算法以及基于评论文本的推荐算法进行调研。·提出了基于多源相似用户评论的评分预测算法。该算法首先设计评论补充算法为每个用户从相似用户处收集补充评论,其中相似用户是指具有相似消费行为和历史评分记录的用户;然后运用隐含语义分析技术提取评论中蕴含的用户偏好信息和物品属性信息;最后使用多层感知机将用户偏好信息和物品属性信息进行整合,实现基于多源用户评论的评分预测模型。·通过在四个基准数据集上完成验证实验,对本文提出的算法与传统的基于协同过滤的评分预测算法以及基于评论文本的评分预测算法进行性能比对。实验结果表明,相比于传统的基于协同过滤的评分预测算法以及基于评论文本的评分预测算法,本文提出的算法性能有所提高。·对基于多源相似用户评论的评分预测算法进行了改进,提出了基于多源用户评论的评分预测算法,通过在四个基准数据集上进行消融实验,验证了该算法的有效性。