当今社会互联网的发展取得了巨大进步,微信、微博、QQ等社交产品彻底改变了传统短信、电话的联系方式,让我们的生活越来越便捷。知乎这种问答式社交平台也相应取得了巨大发展,知乎的注册用户数日益增多。在知乎平台上聚集的用户越来越多,他们都通过平台分享自己的问题、知识和意见,产生丰富多彩的的内容。但众多的用户在线上操作、分享资源,使得平台的数据量呈现爆炸式增长,信息过载的现象日趋严重。因此,以用户的历史交互数据为基础,使用推荐算法为平台的每个用户推荐他们最可能感兴趣的话题或信息,有利于处理信息过载的问题,这对用户和平台都有极大的意义。本文首先介绍了文本挖掘和推荐算法的相关理论,再通过Python爬取了知乎用户的文本数据。该数据包含1234个用户,共计274239条用户问题数据,每条都是用户点赞、回答、收藏等一些交互行为的问题。实证分析中对得到的用户数据做预处理,包括数据去重、文字清洗、中文分词等等,得到文本分析所需要的数据形式。接下来通过词云图以及语义网络图进行兴趣挖掘,从整体上分析了用户们的兴趣爱好。运用TF-IDF技术提取每个用户的兴趣标签,通过构建标签评分系统,为用户的每个兴趣标签打分,从而得到用户-标签-评分数据。最后建立协同过滤算法和基于矩阵分解的推荐算法,对比分析了每个模型的推荐性能,以及模型中各个参数对模型的影响,选择最优的模型对用户进行个性化推荐。本文通过实证分析得出的结论有:第一,从整体上分析了用户们的文本数据,他们对中国和美国等一些问题比较关注,尤其是“肺炎”、“疫情”等当下的热点问题。用户们很倾向于使用“看待”、“哪些”这些词语提问的方式。第二,在本文的数据集上,协同过滤算法中以均方误差为相似性计算方式的性能最好的。近邻数对User-CF算法和Item-CF算法性能的影响都是先上升,然后趋于稳定的。User-CF算法的性能总是优于Item-CF算法。第三,基于矩阵分解的推荐算法中,隐因子数、学习率、正则化系数这三个参数对SVD++、Bias SVD、Funk SVD这三个模型的影响的趋势是大致相同。在同一参数水平下,SVD++算法总是最优的,Bias SVD次之,Funk SVD最差。第四,在本文数据集的上,基于矩阵分解的推荐算法的评分预测能力是要远远优于协同过滤算法,说明在该数据集上基于矩阵分解的推荐算法更加适合评分预测。