几十年以来互联网的飞速发展带动了电子商务的蓬勃发展,各个电子商务平台应运而生,在我国以天猫、京东为首的电子商务平台为了争夺用户不断的拓宽自己的经营领域,且商品数量随着商家数量的增加呈现出指数式的增加,对于用户搜索同一件商品都会出现几十甚至上百上千条记录,销量、评价、质量各不相同,更别说对于同一类商品甚至是输入一个模糊的关键字,这就给用户造成了选择的困难。目前,为了解决这一信息过剩的问题,各大电子商务平台均推出了自己的个性化服务,但是仍然存在着推荐不准确,数据稀疏等问题。为了构建用户的偏好模型,本文采用LM-BP神经网络的算法,根据用户和商品的特征建立特征属性矩阵,基于用户历史数据,鉴于采集的特征数量较多先进行降维处理,再利用LM-BP神经网络算法进行训练,构建出用户-商品评分项目矩阵。并且对没有对商品评分的项目进行预测,经过实验,能够准确的反映用户的兴趣偏好。但是电子商务网站总会有新的用户注册,对于新用户存在信息相对匮乏、稀缺,不完整性和不确定性,使得构建的用户偏好模型无法应用在新用户上,不能满足用户真正的智能化需求和有效发现用户的偏好,针对这一数据稀疏性问题本文利用基于灰色关联聚类的协同过滤算法,通过计算用户之间的相似度,通过加权平均得出新用户的偏好模型。构建用户偏好模型是为了给用户在搜索时提供千人千面的搜索效果,将用户感兴趣的商品优先排序,就要构建一个搜索引擎,既要快速的响应还要与构建好的用户模型结合,根据用户-商品评分矩阵对搜索出的商品进行排序,呈现在用户面前。本文将构建好的用户偏好模型形成的用户-商品评分矩阵,存储在高性能的redis缓存系统中,使用ElasticSearch搜索服务器构建高效的搜索系统,利用自定义的评分插件获取redis当中的用户商品评分并将分值赋值给搜索出来的商品,这样由于每个用户的兴趣模型不同则产生的打分效果自然不相同,最终达到用户搜索千人千面的搜索结果。经过实验,该系统响应速度快,能够反应用户的兴趣偏好。本课题主要依托重庆满集网电子商务平台,利用其提供的数据进行训练和测试,经过测试,可以在用户搜索时展示个性化的搜索列表,达到了预期的效果。