个性化推荐是自然语言处理领域的一个热门课题,尤其在电子商务领域,个性化推荐系统已得到了广泛的应用,它旨在挖掘用户的兴趣,向用户推荐他可能喜欢的产品或信息,以缓解信息过载问题。目前国内外已经开展了许多相关研究,并取得了一定的研究成果。现有的推荐方法中,大都是以用户对产品的评分或评论为基础,但由于评分稀疏性大、评论规则性差,能从中获取到的有效信息很少,影响了推荐效果。针对这一问题,本文通过挖掘评论标签中的有效信息进行推荐,其工作主要有以下三个方面:(1)针对电子商务网站中用户评论规则性差、形式自由等问题,本文提出了融合评论标签的矩阵分解算法。该算法首先从评论标签中挖掘用户关于产品特征的观点,然后根据该信息分别构建用户兴趣模型和产品特征模型,最后向用户推荐在他们感兴趣的特征上有较高评价的产品。实验结果表明,用户倾向于使用评论标签,且从评论标签中获得的有效信息多于评论;同时,融合评论标签的推荐算法能大幅度提升用户的覆盖率,并在一定程度上提高算法的推荐性能。(2)针对基于矩阵分解的推荐算法只考虑用户自身兴趣,忽略其他因素影响,以及基于邻域的协同过滤算法通常只利用用户评分进行推荐等问题。本文提出了融合评论标签的邻域推荐算法。该算法首先利用LDA将高维的用户评分映射至低维空间,并建立用户和产品的潜在特征模型,同时利用评论标签中的信息建立用户和产品的产品特征模型;然后分解评论标签构建用户-特征-情感-产品之间的多元关系,并以此计算用户的观点相似性;最后,根据潜在特征模型、产品特征模型以及用户的观点相似性计算用户/产品之间的整体相似性,并采用邻域方法预测未知评分。实验结果表明,该算法明显提升了推荐的有效性和准确性。(3)针对矩阵分解算法仅从用户层面出发,局限性较大,且邻域推荐算法对数据稀疏性较敏感等问题,本文提出了两种融合评论标签的混合模型,分别是加权混合模型和算法混合模型。加权混合模型利用权重将各算法的预测评分混合起来计算出新的预测评分;而算法混合模型则是以基于邻域的推荐算法为框架,将矩阵分解算法的预测评分混合进框架中,从而得到新的预测评分进行推荐。实验结果表明,融合评论标签的混合模型不仅能有效提高算法的推荐效果,还显著增强了推荐算法的稳定性。