随着移动互联网和电子商务的快速发展,商品数量种类繁多,用户应接不暇。电商网站为增强市场竞争力,纷纷采用个性化推荐方法提升用户体验。电商网站目前使用的推荐模型主要为协同过滤推荐。该方法的主要思想是依据用户的浏览、搜索、点击、保存、操作等隐式行为信息和用户注册表、评分评论信息等显式行为信息计算用户相似度和物品相似度,从而产生推荐结果。这种方法主要体现了用户行为的相似之处,但缺少了对用户自身的兴趣点和情感偏好的挖掘。现有的电子商务推荐工作中存在着以下几点不足:第一方面,近邻用户的情感偏好信息不能反映用户自身兴趣,从而影响推荐准确性的问题。现有推荐方法采用对比用户的显式行为信息和隐式行为信息的相似性识别近邻用户,但因为目标用户与近邻用户对商品评分相似的原因有所不同,所以依据近邻用户的历史购买商品进行推荐有失偏颇。第二方面,近邻商品不能代表用户兴趣所在,导致推荐不合理的问题。现有的推荐在识别用户兴趣集合时,依据商品历史评分得到近邻商品,但获得目标商品与近邻商品虽然获得了相同等级的评价,却在各方面的质量表现不一,所以该方法有待改进。第三方面,对用户偏好信息的挖掘不详细,导致推荐依据不够充分的问题。用户的历史行为信息大多是探讨用户对商品整体的观点与态度,鲜少发现用户观点或用户满意度的内在原因。若在现有推荐机制中引入用户对商品的详细偏好信息将会起到更好的效果。第四方面,用户行为信息的数据稀疏性降低推荐效果的问题。用户的历史行为信息具有数据稀疏性,依据用户-商品历史评分评论信息(或浏览点击购买等行为信息)构造的推荐模型容易受到数据稀疏性的影响。具体而言,数据稀疏性导致推荐模型很难会将用户没有“接触”过的商品推荐给该用户,这一问题严重影响到了推荐模型的多样性效果以及用户对推荐服务的体验。在线商品评论是用户生成内容中信息量最为丰富的一部分,蕴含了详细的具有较高参考价值的用户兴趣信息。本文从用户评分评论信息入手,对用户评论做情感分析,获取用户对商品各方面的褒贬态度,构建用户偏好模型和商品质量模型,为用户做个性化匹配从而完成精准推荐。笔者设计的推荐模型针对在线评论进行商品属性层面的情感分析,从用户评论中挖掘用户表达出的对商品属性层面看法和态度,构建用户偏好模型和商品质量模型,旨在解决传统推荐中存在的数据稀疏性问题,依据商品质量与用户偏好的匹配程度获取满足用户偏好需求的商品清单。通过情感分析方法获取用户情感倾向可以帮助电商网站及时了解用户偏好和商品质量优劣,针对用户偏好推荐辅助消费者的购买决策。本文第一步从商品属性出发,判断用户对商品的情感倾向,构建用户偏好模型数据库和商品质量模型数据库。第二步计算用户和商品在属性层面情感倾向的相似性,预估用户对现存所有商品(包括用户已购买评论的商品和未购买评论的商品)的评分。第三步根据预测的用户商品评分,推荐给该用户其预测评分高的产品。对比传统的基于用户和商品的协同推荐模型、基于语义网络的推荐、依据信任关系的推荐、基于标签内容的推荐、依据概念空间推荐、关联规则推荐等多种推荐模型,本文的个性化推荐模型不再拘泥于推荐近邻用户购买的商品、购买过商品的近邻商品等,而是将商品质量情况与用户兴趣需要对比匹配程度,将满足用户需求的相应商品由商品与用户的匹配程度产生推荐。这种方法一方面规避了传统推荐方法的依据“近邻用户”“近邻商品”推荐造成的偏差,另一方面弥补了用户商品关系矩阵(由显式信息和隐式信息构建)存在的数据稀疏性问题,用细粒度情感分析方法优化推荐模型,改善推荐效果。当网站中有新增的用户评论和商品评论时,推荐模型及时更新用户偏好模型数据库和商品属性模型数据库。推荐模型则根据更新后的用户偏好和商品质量实时调整推荐结果。在此过程中,随着信息量不断累积,推荐模型对用户偏好刻画得更加精准与个性,对商品的质量把控得更加真实与客观,依据用户的需求偏好将个性化推荐做得更好。