信息技术的飞速发展给人们带来便利的同时也导致了信息过载的问题。推荐系统可以挖掘用户兴趣爱好,准确预测用户与项目之间可能存在的链接,这对于缓解信息过载具有重要的意义。推荐系统已经被广泛的应用于电子商务领域,但是仍然面临着用户数据稀疏,算法冷启动等难题。随着互联网技术的蓬勃发展,电商平台积累了大量的用户上网数据,合理地利用这些用户数据成了改善推荐系统性能的突破口。本文以阿里巴巴电子商务平台为研究背景,通过分析用户网购操作发现用户兴趣偏爱,从而预测用户的购买行为。主要的研究工作如下:对于有过购买行为的老用户,由于用户购物的频率低且很少留下评价信息,推荐系统面临用户数据稀疏问题。本文考虑用户购物过程中的行为特征,提出了基于用户网购行为特征的UIAction算法。该算法收集用户历史操作数据,运用行为模型挖掘用户潜在兴趣,完善用户缺失信息。利用阿里移动推荐算法数据集进行仿真验证,以准确率、召回率和F₁综合指标作为评价标准。仿真结果表明UIAction预测效果均优于现有的推荐算法。对于尚未购买但有其他操作行为的新用户,用户的历史信息几乎为零,推荐系统面临冷启动的问题。本文从用户当前购物操作特征入手,挖掘用户兴趣偏好,提出了基于用户行为相似性的冷启动推荐算法。该算法根据群体行为相似性理论,利用子空间聚类算法,将网购操作行为相似的一类用户进行聚类。计算不同类间老用户购买项目的转化率,通过贝叶斯预测模型计算新用户对项目的购买概率,从而给出推荐结果。实验结果表明,该算法能够更准确地描述新用户当前兴趣,提高了推荐算法预测的准确度。