随着信息技术的不断发展,在网络上出现了越来越多的数据,“信息过载”的问题随之而来,如何从海量数据中获取用户感兴趣的信息便成了一个巨大问题,为了解决这个问题个性化推荐技术应运而生。个性化推荐是指为用户提供那些他们可能喜欢的物品或信息,通常用户的反馈信息包含评分和评论数据,而用户的评论中含有大量的信息,在评论中用户会表达自己的喜好。通过对用户评论数据进行分析,能够更好地了解用户的偏好,从而提升推荐算法的精准度。目前,个性化推荐的相关研究取得了一定的成果,传统的推荐方法通常是根据用户的评分信息来进行推荐,但评分信息存在着一定的局限性,所以利用好用户评论信息将能够更好地进行个性化推荐。针对这个问题本文提出了一种从评论主题的角度进行推荐的算法,根据用户评论信息来对用户偏好和物品属性进行建模,能够更好地表现用户偏好和物品属性的匹配程度,并且在对最终评分预测的结果进行了强化处理,能够有效减少干扰因素,最终提升推荐的准确性。另外,还提出了一种基于因子分解机(Factorization Machine,FM)和隐马尔可夫模型(Hidden Markov Model,HMM)相结合的推荐算法,在处理数据稀疏的情况时也能得到较好的效果,进而提升算法的准确性。通过对比实验的结果表明,本文提出的从评论主题角度的推荐算法以及基于因子分解机和隐马尔可夫模型的推荐方法,能够有效地提高推荐的准确率。