随着网购在人们日常生活中的比重日益增加,电商平台提供的服务越来越多样化。客户在电商平台上购买商品时,面对庞大的信息,会花费更多的时间选择,出现购物效率下降,购物决策难等购买问题。而准确高效的推荐系统可以帮助客户缩短购物时间,并且满足客户的个性化需求。本文通过对现有电商平台主要推荐模型进行比较。基于内容的推荐系统结果直观,可解释性好,但是其易受新客户、新商品的限制;基于关联规则的推荐系统易于发现新的偏好,但是规则抽取较困难;基于协同过滤的推荐系统个性化推荐效果好,而且随着时间的推移推荐效果不断提升,但是易受数据稀疏性影响。基于对以上三种模型的概述与比较,发现目前电商平台使用的推荐系统基本只考虑了客户历史行为数据,而对客户填写的在线评论研究较少。目前在线评论已成为客户决策的一个重要依据之一,因此,在线评论对于电商推荐模型也具有较高的应用价值。随着客户在使用平台时的习惯越来越好,产生了大量在线评论。评论中包含客户个人情感且对商品特征细致的描述信息,这些评论数据对于解释客户对商品的购买行为有很大帮助。基于此,本文结合在线评论数据的特点,以大型电商平台服装类商品评论数据为例,提出基于在线评论的推荐模型。模型首先对在线评论进行文本挖掘,通过网络爬虫技术,获取大型电商平台服装鞋帽类商品的在线评论,对评论进行文本分词,采用TF-IDF提取特征词,依据情感表为情感词赋值,结合层次分析法进行加权,建立最终评分体系。模型其次根据客户——商品评分表,结合基于商品的协同过滤推荐算法,计算商品相似度,最后通过预测客户对商品的评分,实现推荐。本文通过国内某服饰零售公司网站的真实数据集对模型进行离线实验,验证模型的可行性。