互联网的急速发展,改变了我们传统的生活习性。无论订餐购物,还是旅游消遣,互联网已融入到我们生活的方方面面。然而,互联网信息量的急剧增加带来的“信息过载”,也让我们在大数据时代不堪重负。推荐系统正是在这样的时代背景下产生的。传统的个性化推荐,根据用户的历史评分、标签、文本等数据分析用户的兴趣偏好；但在缺乏上述信息的网站中,导航信息作为用户隐式行为记录,为推荐系统更好地预测用户偏好提供了重要的数据支持。本文从导航日志中提取用户行为信息,量化行为语义特征,得到用户对不同商品的兴趣值；再以这些量化的行为语义构建高维情景感知模型；并在高维模型中,确立用户之间的关联度以及商品之间的相似性；之后,根据行为语义对立特征,压缩离散数据,降低模型稀疏性。经典的矩阵分解算法往往专注于评分预测问题,却忽略了商品偏序关系的优化和用户评分背后的语义信息。为了弥补现有方法的不足,本文提出一种基于用户行为语义信息的贝叶斯个性化排序算法,通过拉普拉斯正则项保持用户行为语义在降维空间的局部关系；并利用每组行为语义的对立相关性,评估用户对商品兴趣值的偏序关系；最后,通过BPR-Opt求解模型,并产生推荐结果。本文采用Entree数据集中的导航信息作为测试样例验证我们算法的有效性。在与几个经典模型的对照实验中,基于用户行为挖掘的情景感知模型在多个指标中取得了较为理想的实验结果。