移动互联网的发展丰富人们的生产生活,社交网络、共享经济、移动支付、电子商务等互联网服务的出现给人们的生活带来便利,同时使得信息过载问题越来越严重。推荐系统是解决这些问题的有效途径之一,推荐系统可以根据用户行为、产品属性等信息,对用户或产品建模,从而给用户推送有价值的信息和相关产品。近年来,为了解决或缓解传统推荐算法中存在的稀疏性等问题同时提高推荐性能和推荐质量,张量分解模型、文本挖掘模型和跨领域模型被广泛应用于推荐系统中。同时随着生活品质的提升,用户越来越看中产品的用户体验和产品信息的真实性与可靠性。因此本文主要研究从评论中提取用户体验信息的方法和利用专业测评信息与用户体验信息进行跨领域推荐方法。本文的主要工作如下:(1)本文提出一种面向推荐系统的用户体验信息提取算法。根据用户体验特征给出了用户体验的形式化描述,并给出了用户体验提取算法的详细过程,实验结果表明,该方法提取用户体验具有良好的准确性,同时具有多样性。(2)本文提出了基于张量分解的跨领域推荐算法。在分析专业测评之后给出了专业测评的形式化描述,并提出一种利用用户体验和专业测评跨领域的联合推荐模型。该模型为基于张量分解模型改进的增量张量分解模型。实验结果表明,该模型有效提升推荐结果准确性和计算效率。(3)设计并实现源于用户体验与专业测评的推荐系统的原型系统。在真实应用场景下测试,本系统具有准确性和良好的计算性能,可以广泛应用于具有评论和测评的产品推荐。本文主要研究了基于评论的用户体验挖掘方法和基于张量分解的跨领域推荐算法。实验结果表明本文算法可以准确充分地挖掘产品评论信息,并且有效提高推荐质量。