互联网带来数据量的爆发式增长,阻碍了用户的信息获取效率。推荐系统的目标是帮助用户快速、准确找到其感兴趣的内容,在一定程度上缓解了信息过载,返回包含N个项目列表的Top-N推荐,因其应用广泛而受到关注。针对Top-N推荐,在理论研究和实际应用中,证实了基于学习物品相似度思想的稀疏线性模型相比于其他模型具有更好的性能。本文考察了稀疏线性模型的发展历程,发现其存在以下不足:1)模型中正则化的特征选择稀疏约束效果有待改进;2)仅采用用户-物品评分的单类反馈数据,作为训练样本,带来的数据稀疏性问题;3)模型中物品相似度学习的特征单一。针对上述问题,本文提出一种正则约束方式,并对评论文本信息与模型的融合方法进行深入研究,提出两点改进,在Beer、ML数据集上取得良好效果,最终将上述算法集成于酒类评级推荐系统完成工程实现。具体内容如下:1.提出一种?_1/2（10）2正则子方法替代原有模型约束。这种方法改善矩阵W的特征选择效果,使其更易获得稀疏解,从而确保其每一个预测分数都会被表示为少量高相关度的其他相关向量的线性组合,同时,还可防止模型产生过拟合,从而达到算法性能的提升。2.提出一种结合评论的稀疏线性模型。将隐含用户偏好与物品属性的评论文本融入模型:1)重构用户-物品评分矩阵,通过用CNN提取深层次文本特征的因子分解机模型,预测出用户-评分矩阵作为新的训练样本,相比传统基于词袋模型的文本表示方法,提取了更深层的特征,改善了训练样本的稀疏性;2)类比SLIM模型中未评分物品与评分物品间的线性关系,将评论文本词向量矩阵以相同的形式约束模型。3.设计并实现酒类评级个性化推荐系统。利用用户-物品评分数据、用户评论文本数据作为训练样本,集成上述推荐算法于Java Web工程,设计并实现用户登录、酒类推荐和用户评价功能模块,最后完成开发测试及部署。