随着互联网技术的迅速发展与广泛应用,人们获取信息及购物的方式已普遍从线下转为线上,带来了无限的便利,同时也给电商平台带来了海量且实时更新的各类数据,人们无法从过载的数据中迅速准确的找到目标商品。目前商品推荐系统一般根据电商平台提供的已有信息进行推荐,而无法真实的从消费者的角度出发进行个性化推荐,为解决以上问题,本文提出了一种基于大数据的商品可购买性推荐分析系统,该系统以消费者的角度实现个性化推荐,同时商家也可根据系统中消费者的喜好调整销售方案。本文使用自然语言处理技术对电商平台消费者的评论数据进行分析,完成候选属性抽取规则表的制定,根据规则表实现评价对象以及三元组关系的提取。研究比对K-means、Mini Batch k-means、Birch三种聚类算法,使用轮廓系数判别聚类效果,提出对候选属性进行聚类,并验证得出该聚类条件下聚类效果更好。使用TF-IDF辅助聚类文档命名,实现商品属性重定义。使用基于情感词典的方法计算商品评论数据情感值,依据情感值计算整体评论好评率,实现商品分值重计算。使用相应推荐算法对商品属性和分值进行分析,实现以消费者角度出发的个性化推荐。通过研究不同推荐算法的性能,分析多种推荐算法的优缺点以及应用场景,设计并实现了包含协同过滤推荐、基于内容推荐、基于隐语义模型推荐等多种算法的个性化推荐系统。利用各种推荐算法的性能互补,解决协同过滤推荐算法的数据稀疏性和新用户问题,以及模型推荐可扩展性差等问题。使用大数据技术对数据进行分布式存储与计算,在服务器上搭建数据存储平台Hadoop以及数据处理平台Spark实现推荐算法的计算。最后使用Jeeplus开发框架设计实现商品可购买性推荐系统的前端页面展示功能。