目前,推荐系统面临着可扩展性差、数据稀疏性、冷启动、低效率、忽略评论信息等问题。本文针对这些问题提出融合评分和评论的推荐系统,加入语义分析,优化算法,并设计出相应的管理系统。主要工作如下:第一,本文在ALS推荐算法基础上提出一种新的评分模型NALS-WR,并借助Linux集群上的Spark实现NALS-WR算法的并行化,由于其分布式计算框架和云计算环境,NALS-WR具有很强的可扩展性,解决传统的矩阵分解算法的资源分配的瓶颈,提升处理海量数据的速度。在真实的MovieLens数据集上进行实验,结果表明,与传统的最小交叉二乘法ALS推荐算法和奇异值分解(SVD)等推荐算法相比,NALS-WR推荐的准确率和运行效率提高了,数据规模越大,NALS-WR的效率越高。第二,提出融合评分和评论的模型FRRM(Fusion of rating and review model),该模型采用LDA主题模型挖掘潜在主题信息,构建文档—主题分布,进而基于评分数据与文档—主题分布共同构建一种新的预测评分的策略。利用评论文本增强评分预测是本文的另一大亮点,其克服了传统方法丢弃评论文本的做法。在真实的Amazon数据集上进行实验,结果表明,融合评论与评分的模型FRRM克服了原始仅利用评分数据进行评分预测的不足,在评分数据稀疏度高的情况下也可以比同类模型HFT更准确的预测物品评分。第三,设计推荐系统的流程管理平台。利用开源项目Spark-Jobserver管理推荐系统的作业和程序等。利用大数据基础平台Hadoop提供的分布式文件系统存储海量数据。利用Spark分布式计算框架进行数据的分析和挖掘。实现数据分析的抽取,转换和加载过程,实现推荐程序的管理,实现推荐系统的执行以及推荐作业的可视化,并提供可扩展的数据分析程序和流程管理接口。然后部署到云端,使在手机、平板等任何联网的设备上都可实现流程管理,达到对推荐系统的控制更加灵活的目的。