当今,互联网技术飞速发展,制造业向“智能制造”和“网络协同制造”方向转变。在网络协同制造平台中,关于产品生产数据集成技术的研究是当下的研究热点之一,对指导生产以及为定制生产等提供决策依据有重要意义。其中结合商品与用户数据并对用户进行商品推荐是产品数据集成技术的一个重要研究方向,如何搭建合理的数据集成模型进行商品推荐并提升用户的满意程度,具有理论意义与实际工程应用价值。本文以支持大规模定制的网络制协同制造平台为背景,以提升商品推荐算法的准确度为研究目标,以结合多源异构数据推荐模型的搭建为研究内容,对商品推荐算法进行了研究。针对当前推荐算法数据类型单一的问题,提出结合商品属性数据、评论信息以及社交关系信息的LDA-Word2vec+Ridge Regression+Louvain（L-WRL）商品推荐模型。本文利用LDA与Word2vec算法提取商品属性与评论文本中的联合特征向量,使用Louvain算法对用户的好友关系数据进行社区聚类,使用岭回归模型结合联合特征向量与用户评分数据进行参数训练,预测用户对商品的评分后排序得到推荐商品列表,并进行推荐准确度评估。实验证明,该模型在不同稀疏程度的数据集上的推荐准确度均有一定提升。采用流水线式混合推荐的思路,进一步引入商品图像数据,提出一种融合图像信息的多源异构数据推荐模型。首先,使用直方图图像匹配算法依次计算L-WRL模型TOP-N列表中商品与用户喜爱商品的相似度值,并结合商品评分最大值计算基于图像的商品预测评分;其次,使用DBSCAN密度聚类算法对基于图像的预测评分进行聚类,获得多个簇后对不同簇中的评分数据赋予不同权重;最后,将L-WRL模型商品预测评分与基于图像的评分通过可调节加权因子结合,得到最终商品预测评分并进行推荐准确度评估。实验证明,所提模型在不同稀疏程度的数据集中可以进一步提升商品推荐准确度。