随着信息技术飞速发展，电子商务逐渐走向繁荣，极大地满足了消费者的个性化需求。但是与此同时，互联网数据呈现级数增长，“信息过载”越来越困扰着消费者和企业的决策，于是个性化推荐系统应运而生。而传统推荐算法大多是以产品本身为中心，以用户对产品的整体评分为输入，不能直接反应消费者对产品属性层面的喜好，而且，整体评分标准因人而异。随着web2.0应用于电子商务评论系统，消费者不仅可以对自己购买的产品进行打分，还可以在线发表评论，与其他消费者进行交流，相比于传统的口碑形式，网络购物评论成为了网络时代一种新的口碑形式，里面蕴藏着大量有价值的信息等待着企业、消费者、以及研究学者去学习挖掘。如何快速从评论数据中找到消费者偏好信息并据此建立个性化推荐模型成为了本课题的研究目的。　　本文首先针对网络产品评论中出现的高频特征词语和低频特征词的特点进行分析和研究，采用改进的关联规则算法提取产品评论中的高频特征词语，而对于关联规则挖掘不到的低频特征，采用模式抽取和匹配的方法进行抽取。特征提取的结果用于构建同类别产品的特征词库，为后续构建产品特征模型打下基础。最后，基于句子依存关系提出改进方法抽取网络购物评论中用户关注的特征和观点关联对，并对用户的观点极性特征进行分析和数值化处理，得到了面向产品的用户层级观点数据。　　基于评论挖掘获取的产品特征数据和用户偏好信息，本文提出了基于层次化产品属性的个性化推荐模型。首先对用户偏好模型进行研究，然后提出了改进的产品相似度计算方法和用户相似度计算方法。其中，产品相似度计算以评论数据中产品特征挖掘结果为输入数据源，用户相似度计算则分为新老用户分别进行输入数据源确定。老用户基于用户偏好挖掘结果进行计算，新用户则用调查问卷方式进行数据补充。本文还设计了具体的推荐算法流程和产品推荐排序方法。为电子商务系统提供产品推荐方案依据。　　最后，采集了国内知名电商网站电子产品领域的用户评论数据，并基于以上进行了实证了研究，评论挖掘和产品推荐的实验结果表明本文提出的方法具有较好的准确性和有效性。　　本文针对传统推荐系统经常会遇到数据稀疏性和冷启动问题，提出了以网络购物评论为的数据源，基于用户偏好和产品特征的改进协同过滤推荐算法，对于提高电子商务网站用户产品推荐的有效性具有一定的参考价值。