电子商务产业发展迅猛，网络消费群体不断扩大，网络商品推荐技术应运而生。由此而产生的个性化推荐系统不仅能够快速地发现用户兴趣并做出推荐，还能发现用户潜在兴趣，提高电子商务网站的销售量。协同过滤算法(collaborativefiltering)是目前应用最广泛最成功的推荐技术之一，但该算法有着明显的缺陷：随着电子商务系统规模的进一步扩大，用户数目和项目数据急剧增加，严重依赖用户打分矩阵的协同过滤算法会因为用户评分数据的极端稀疏性而无法正常工作，在这种情况下，传统的算法得出的最近邻居不准确，推荐系统的推荐质量急剧下降。针对现行的电子商务推荐算法的特点，本文认为主要原因在于过于依赖用户对项目打分矩阵。基于此，本文提出在用户打分部分采用基于统计模型的协同过滤算法来解决矩阵的稀疏性；同时，利用用户对项目的文字评论，提取情感特征值，单独形成推荐，以克服对打分矩阵的依赖性。具体工作如下：在处理用户评分矩阵的极端，为了解决用户评分数据稀疏性和最近邻寻找的准确性问题，本文提出一种基于统计模型的协同过滤推荐算法。该算法首先利用项目统计信息分类，在类内寻找项目的最近邻居；然后通过预测项目评分值进行矩阵填充，解决稀疏性问题；最后通过用户之间的协同过滤进行推荐。实验结果表明，该算法可以准确地获取项目及用户最近邻，有效地解决数据稀疏性问题，同时，该算法还极大地提高了系统的工作效率及推荐的准确性。鉴于用户评论中的情感态度和偏好程度可以很好地表达用户在情感方面的倾向，本文通过建立用户评论情感倾向语料库，提取以往用户评论中的语料词并根据模糊算法形成分值，利用云模型形成一个用户评论情感倾向向量，通过云模型向量间的相似度计算形成最近邻居从而形成推荐。通过实验可以得出，在传统评分矩阵中项目评分稀疏时，仍然能够通过用户对项目的情感倾向对比进行推荐，并可以以数据的形式对用户情感倾向进行统计。