现如今,实体店进入寒冬,但线上购物发展蒸蒸日上,购物网站提供种类丰富的商品,极大地满足了人们多样化的需求。但是随着网站中商品数量的不断增多,人们愈发觉得网购费时费力,这是由于产生了“信息过载”,而运用推荐系统,该问题便可以得到有效地解决。推荐系统的目的是通过对用户的兴趣爱好进行分析,最终为用户推荐项目。在常见的协同过滤推荐中,都需要用户对项目的“显式”打分评价来体现偏好程度。由于在商品推荐领域获取用户对商品的评分难度大,导致难以应用。然而,通过对隐式反馈数据的分析,即分析用户与购物系统在不断交互的过程中产生的行为数据,同样可以收集到用户对商品的偏好。因此,本文将通过利用用户在网购过程中对商品的点击、收藏、加入购物车、支付四种行为产生的隐式反馈数据,为用户实现商品推荐功能。本文主要的研究工作如下:(1)针对用户的隐式反馈数据无法准确衡量用户兴趣偏好程度的问题,研究将隐式反馈数据通过计算公式转化为对商品的评分数据,形成用户-商品评分矩阵,以便适用于基于用户的协同过滤推荐算法实现推荐。(2)针对在得到的用户-商品评分矩阵在计算相似度时,存在着目标用户需要进行比对的用户空间大,耗时长的情况以及矩阵稀疏性问题,通过改进传统的相似度计算方法,提出基于用户行为相似因子的相似度计算方法。该方法首先利用用户身份属性进行K-means聚类,将目标用户所在簇类集合作为相似度计算的用户空间范围,有效地减少了相似度计算时需比对的次数;接着,采取设置阈值得出商品候选集后,通过引入用户行为相似因子,计算得出参考评分,将该值用来填充用户间评分过的商品所取的并集合,解决了传统方法中在稀疏矩阵中取评分商品交集时商品数量较少的问题,从而改进了相似度计算方法。经过相关实验表明,所提算法性能更优。(3)设计并利用java语言实现一个商品推荐系统,将本文所提出的算法进行实践。