随着互联网的普及,以及电子商务的迅猛发展,网络交易日渐流行,越来越多的商品从现实交易转向虚拟交易,导致信息资源的数据种类和数据量迅速增长,推动了电子商务个性化推荐的研究与发展。目前,电子商务推荐的核心思想是基于各种相关关系,如用户关系、商品关系、用户与商品的关系。然而,当用户消费行为数据没有或很少,或用户共同的选择较少,或某商品不在历史行为数据中,相关关系将缺乏或不足,导致无法通过相似性进行预测,出现数据稀疏性问题或者冷启动问题,降低推荐准确性,难以恰当地向用户提供推荐服务。另外,用户的消费偏好和消费性格特点,对其消费行为有重要的影响,当商品的效用与用户的消费性格相符,用户才可能有消费行为,这为电子商务的个性化推荐提供了一个新的研究视角。因此,如何在减少或消除上述问题的同时,从海量的消费行为数据中挖掘出用户感兴趣或需要的商品,并精准的推荐给目标用户,已成为个性化推荐相关研究的热点。本文主要工作包括:(1)详细分析了个性化推荐算法和复杂网络社团结构发现算法及其特点。(2)考虑到当前个性化推荐系统对准确性的需求,选择具代表性的CNM个性化推荐算法,通过引入点权、边权、JSD距离计算项目相似度公式进行CNM算法优化和验证。(3)基于对用户消费性格的分析,引入条件互信息和条件相对平均熵来获取K2算法中初始节点输入次序,然后利用CH评分函数和后验概率函数对贝叶斯网络进行学习,分析出用户消费性格。(4)使用学习好的贝叶斯网络进行推理,判断用户待推荐域的商品与用户消费性格的联系,得到最终的商品推荐域。(5)给出了电信闲置资产市场化交易系统的需求分析与系统设计,并将本文研究成果应用于该系统的资产推荐模块。