随着信息技术的飞速发展,网络上的信息出现爆炸式增长,如何有效地利用数据中的信息完成对用户的推荐成为网络生态中的研究重点。而在商家评论网站中的评价数据中,隐含着商家属性和用户情感,现有的商家个性化推荐主要依据近邻用户的评分信息产生推荐,无法细粒度的探究用户偏好,忽略了商家及用户在属性层的情感评分。对此,本文提出一种基于多属性矩阵构建的商家推荐方法。首先,针对现有研究商家及用户在属性层面的属性细粒度情感分析不足的问题,提出了一种融合时序与用户偏好的多属性矩阵构建算法MFAMM算法。MFAMM算法对商家属性进行提取,通过聚类完成属性类的划分;对包含属性类词语评论进行情感分析,计算情感均值得到用户对该属性类的情感倾向得分;针对用户偏好会随时间推移以及由于用户经验不同导致的意见权威性不同等因素,在属性矩阵中分别加入时序因素和用户意见权重因素;将情感分析结果和多属性因素相结合,构建了用户偏好属性矩阵和商家属性评分矩阵,并利用相似度匹配方法进行推荐。其次,针对矩阵的稀疏问题导致推荐效果不稳定的问题,提出了AMF算法对属性矩阵进行填充。在Slope One算法的基础上加入商家属性层相似度以此来提高预测评分的准确度,反映用户细粒度层面的兴趣,缓解用户—商家评分矩阵的数据稀疏性问题;基于用户—商家评分矩阵计算用户间相似度以及用户偏好最近邻,实现了属性矩阵的填充和用户及商家属性矩阵的匹配推荐。最后,针对两种不同矩阵匹配的商家推荐算法,在Yelp公开数据集进行实验,将本文提出的算法与同类推荐算法对比,验证了MFAMM算法在推荐准确率以及召回率上有一定优势,而AMF算法有效的改善了矩阵的稀疏性,提升了推荐效果稳定性,使得矩阵匹配推荐得到了更好的效果。