在众多的个性化推荐算法中,协同过滤算法依靠其可利用群体智慧进行物品推荐的特点,受到了广泛的研究和关注。但传统的协同过滤算法往往会受到数据稀疏问题的影响,针对用户评分数据稀少的情况,很难进行准确的评分预测和物品推荐,而一条真实可靠的评论文本可以包含极为丰富的用户偏好和物品特征信息,因此基于评论信息分析进行评分预测的研究工作受到越来越多研究人员的关注。针对现有基于评论分析推荐算法中的虚假评论问题和传统协同过滤算法中的数据稀疏问题,本文通过分析用户评论所包含的主题分布和反馈信息,将改进的用户偏好和信任度引入传统协同过滤算法中,提出了基于用户评论评分与信任度的协同过滤算法。本文主要工作如下:(1)介绍了本文中算法的研究背景,对当前个性化推荐技术的发展状况进行了分析,着重分析了几种主流的推荐算法,并对常见的推荐系统实验方法和评测指标进行了阐述。(2)介绍了基于文本主题分析的LDA模型,对用户评论信息中的主题分布进行了分析,并详细介绍了基于物品和基于用户的传统协同过滤算法。(3)提出了评论差异度、评论帮助度、以及改进的用户偏好等概念,并基于用户评分数据计算用户信任度,将改进的用户偏好和用户信任度相结合,利用传统协同过滤算法的基本思想,设计出了基于评论评分与信任度的协同过滤算法。(4)将本文提出的算法在亚马逊电子设备评论数据集上进行了实验验证,并将实验结果与现有的其他算法进行了对比和分析。实验结果表明,相比于现有基于评论主题分析的算法和传统的协同过滤算法,本文所提出的算法能有效提高推荐系统的评分预测性能,推荐效果得到了进一步提升,同时也在一定程度上缓解了推荐系统的数据稀疏问题和虚假评论问题。