随着我国国民收入水平的不断提高、交通的发达和网络的普及,人们出行变得极为便利。人们在旅游、出差以及走远亲时,不可避免地要面临在陌生城市住酒店的选择问题。酒店的星级、服务、价格、类型多种多样,用户的特点、需求也各不相同。为了针对每个用户的需求和兴趣偏好都能提供个性化服务,在众多学者和企业的努力下研究出了个性化推荐系统。借助个性化推荐功能,用户在预订酒店时,不用花费大量的时间就能找到自己感兴趣的酒店,这对提高效率是非常有帮助的。本文关注酒店个性化推荐算法开发中的一些核心问题。主要工作包括:首先通过网页爬虫获得酒店信息和用户对酒店的评论以及评分信息,并对信息进行预处理。然后对酒店评论信息进行文本挖掘,通过分词,词性过滤,去停用词等处理对数据进行清洗,通过TF-IDF建立特征词权重矩阵,结合建立LDA主题模型对特征进行降维,提取特征,根据JS散度求解酒店相似度矩阵,为后面推荐算法的实现打下基础。最后对用户信息进行用户兴趣挖掘,辅助相似度矩阵推断出不同用户的不同兴趣偏好,并且针对不同的用户采用不同的推荐策略,从而做出满足用户需求和兴趣的个性化推荐。为了优化个性化推荐的效果,本文将加入评论文本数据前后的推荐效果进行了比较,对两种方法的准确率和召回率进行对比。实验结果表明,加入评论数据的推荐算法在准确率、召回率上都有所提升。由此说明,基于酒店在线评论的个性化推荐算法在一定程度上能够更好地利用信息,提升推荐的成功率。