随着移动互联网的不断发展,用户通过互联网产生了大量的用户评价数据,例如电子商务中用户对商品给出的评价,这些数据体现了用户对商品的满意(即偏好)程度。充分挖掘用户评价数据中包含的有效信息,并为用户提供个性化的产品、服务具有重要意义。用户评价数据包括评分数据和评论数据,评分数据可以从整体上体现用户偏好,评论数据则可以表达用户对产品不同方面的关注和偏好。近年来,已有许多研究工作利用评价数据进行用户偏好建模,但这些方法往往忽略了评论数据中不同评价方面之间的内在联系,难以描述用户评价数据中不同属性之间的不确定性依赖关系。本文将用户对评价对象在不同方面的评论,分别描述为不同的评论属性,使用词向量工具挖掘评论数据中用户针对不同评论属性的语义信息。同时,隐变量模型可以通过隐变量描述隐含知识,所以本文将用户偏好用隐变量进行表示,构建基于用户评价数据的用户偏好模型。综上,本文的主要研究内容可以概括成以下三点:1)针对评论文本数据的预处理,本文首先使用Word2vec词向量工具将评论文本数据转化为文本词向量,通过k-means聚类算法对评论数据的词向量进行最优聚类,根据聚类结果确定评论数据中包含的评论属性个数。通过词向量空间距离度量的方法对评论文本词向量进行分类,将评论数据转化为用户针对不同评论属性满意程度的分类数值数据,重构用于模型构建的样本数据集。2)为了保证模型构建的有效性,首先根据评论数值数据学习评论属性之间的依赖关系,分别从评分和评论出发确定模型的初始结构约束。然后根据初始结构约束以及变量的实际含义,给出了用户偏好模型的初始参数约束。在此基础上,根据重构后的样本数据集,分别使用EM(Expectation Maximization)算法和SEM(Structual Expectation Maximization)算法进行参数学习和结构学习,构建基于约束的用户偏好模型。3)基于已构建的用户偏好模型,本文在变量消元法的基础上提出了一种根据用户评价数据估计用户偏好的算法。该算法实现了在“无评分、无评论”,“有评分、无评论”,“无评分、有评论”和“有评分、有评论”等四种情况下的用户偏好估计。