新零售时代来临,社区零售店打通线上线下全渠道购物模式是大势所趋,同时大部分零售店企业的线下信息管理系统比较完备,收集并储存了大量交易信息。本研究便是基于实体店转型线上模式后出现的个性化推荐现实需求,利用实体零售店收集的海量信息为零售企业建立的个性化推荐模型。本文首先根据消费者购买记录以及消费信息,提取用户对商品偏好的影响特征,改进传统RFM模型。本研究充分考虑了零售数据的特点后认为用户交易数量这一特征在衡量用户对商品偏好中占有重要作用,从而构造了RFMQ模型,以四个特征为起点描述用户对购买过商品的偏好指标。最终用户对某商品的评分用到了四个特征标准化后数据的加权平均,并且将评分数据转化为用户-商品的评分矩阵。其中权重值的确定用到了AHP层次分析法,定量与定性地整合了专家、用户、资深从业者等人意见确定用户行为对购买偏好影响程度。然后,本文对零售企业的相关推荐方案进行研究与分析。在考虑商品关系的传统推荐方案中大多用到关联规则方法,这是一种利用购物篮分析出的非个性化的粗略推荐方式;协同过滤算法在零售企业应用并不广泛,它是一种提供个性化推荐方案的方法,但该算法仅仅考虑了用户之间相似性关系却忽略了商品之间关系,并且当前将商品关系考虑进协同过滤算法的研究大部分仅考虑单一商品单向相似性关系。对于这个问题本文针对零售企业提出了一种基于关联规则技术获取商品关联关系并将关联关系融合到矩阵分解的协同过滤算法中的思路。其中在挖掘到的关联关系的定义里,认为按照可信度降序排名后的前N个关联规则的商品具有关联关系。最后进行建模,将基于关联规则挖掘到的商品关系与基于改进的矩阵分解模型(FunkSVD)相结合,把商品关联关系作为协同过滤的正则项带入算法,拉近目标商品和具有关联关系的商品集合的距离,增加相互之间预测分值,增大推荐概率。本研究模型的优化方法是梯度递减方法,验证用到了五层交叉验证。并且利用实体零售企业的数据集Jtrade对模型和合理性与推荐效果进行了验证,为零售企业提供合理且可行的个性化推荐方案。