伴随着人工智能、大数据和云计算等技术的发展,电商服务网站逐渐步入了成熟阶段,及时准确且个性定制的推荐服务不仅可以预测用户的消费需求,解决信息过载问题,还能够保持用户的戮合度,提高网站平台的粘性。服饰类商品自2012年起成为网络购物的第一大销售商品,成交额连续7年保持平稳较快增长,然而来自于性别、风格、流行等方面的特殊属性,使适用于图书、音乐、资讯类的个性化推荐并不能直接用于服饰类商品,但接近半数的女性日常会关注购物平台的个性化推荐内容。因此,对服装个性化推荐的研究具有十分重要的现实意义。本研究根据电子商务个性化推荐系统的组成模块和基本框架,重点分析了推荐方法版块,并探索了用户模型的建立等关键问题。结合服装产品的营销特点,本课题对用户信息采集、相似人群圈定以及行为偏好的透视维度等环节进行了规划和探讨,并初步构造出混合模式服装智能推荐系统技术构架。该模式依据三种推荐技术,建立了不同类型的推荐召回模型,综合考虑了人口统计信息、用户偏好相似性、项目偏好差异和用户历史行为数据的利用等因素,有效避免了单一推荐技术的短板,提高了电子商务系统预测推荐服装产品的准确率。为了验证混合推荐效果,上述模型被应用于J公司电子商务平台时尚超品-男装线上推荐活动,利用人口统计信息构建用户画像、数访4A行为偏好建立用户标签并实施推荐。根据电商后台的用户反馈信息和相关数据指标,该活动的人群数量有了显著增长。因此,基于混合模式的服装智能推荐系统被证实能够有效实施服装相关产品的推荐,可广泛应用于大数据背景下的电子商务平台。