【目的】提出一個基于評論的用戶建模算法,實現評論資訊的個性化推薦。【方法】借助預訓練詞向量從評論觀點句中提取細粒度的產品特征,基于語義關聯構建特征詞圖,并運用TextRank關鍵詞抽取算法計算用戶對產品特性的關注度,構建用戶興趣模型。【結果】結果顯示,結合詞向量和詞圖算法生成的用戶模型與人工歸納的用戶模型吻合度較高,語義關聯度近90%。模型評測指標F1為0.5505,優于基于詞頻的傳統詞袋模型(特征詞模型F1為0.5269,詞項模型F1為0.3322)。【局限】通過人工標注的評測語料偏少;基于通用語料獲得的詞向量對解決領域相關問題存有一定局限。【結論】對于形式表達不規范的評論語言,信息凝聚與語義分析技術的有機結合能夠有效提升用戶建模的質量,為評論質量的評價及評論在推薦系統中的有效利用提供了新思路。