随着智能手机和社交网络的发展,基于位置的社交网络逐渐兴起并改变了人们的生活方式。在数据挖掘技术快速发展的今天,推荐系统成为数据挖掘领域里的一个重要方向,兴趣点推荐成为一个重要的研究热点,个性化的兴趣点推荐算法可以有效帮助社交网络的用户过滤掉自己不感兴趣的信息,能够更好的发掘用户的兴趣,这样可以大大的提升用户体验。本文在对推荐系统领域内主流算法研究的基础上,通过对传统协同过滤算法优缺点的分析,将评分数据和评论文本分析结合在一起,提出了一种加权的基于LDA的协同过滤算法。该算法主要研究了用户评论文本的特点以及用户评分对于每条评论文本的影响,从而联合进行评分预测及推荐。首先,本文总结了推荐系统当前主要的几种推荐算法并分析了推荐系统的评测方法。然后,研究了用户评论文本的特点,并将LDA主题模型融入到协同过滤算法中,用以缓解传统的协同过滤算法中数据稀疏性的问题。再根据不同评分下评论文本的特点,通过设置权重的方法调整不同评论文本的影响力,从而达到提高预测准确度的目的。最后,在Yelp网站提供的数据集上,对本文提出的方法进行了测试并与其他相关算法进行了对比试验。本文的研究是在用户评分和评论文本数据的基础上,结合传统的协同过滤思想联合进行推荐,对于现代社交网络平台的推荐系统有着实际意义,通过与其他算法进行实验比较,进而证明本算法在预测评分的准确性上更加有效。