社交媒体网站、电商网站等数据都呈现出爆炸式增长,产品推荐方法应运而生。但是在实际的应用场景中,如何把合适的产品在合适的时机推荐给合适的消费者是电商一直关心的问题,而用户画像可以很好地解决这一问题。目前的基于用户画像的产品推荐方法主要存在以下问题:1.很少考虑用户的社会网络信息。2.大多基于单一标签进行画像,往往忽略了基于用户兴趣画像的标签集合。3.已有方法的推荐结果往往可解释性较差。因此,针对这些问题,本文就是要研究一种基于用户画像的推荐方法,具体的工作主要包括以下几个方面。首先,定义相关概念,给出基于用户画像的产品推荐问题的定义和形式化描述。其次,提出一种基于个人社会网络的用户兴趣画像模型,在此基础上提出一种基于用户画像的产品推荐方法。该方法的主要思想是在构建的用户兴趣画像基础上计算用户画像和产品的相似度,推荐相似度高的产品给用户。本方法还考虑了产品的流行度,通过使用产品标签权重算法得到流行度高的产品,然后再计算用户兴趣画像和流行度高的产品的相似度来完成产品的推荐。给出了基于个人社会网络的用户兴趣画像模型描述和构建方法UIPSN;阐述了基于用户画像的产品推荐方法的思想、实现步骤,并给出了一种考虑了产品的多样性和新颖性的改进算法。还分析了所提出的算法的时间复杂度,给出了和相关工作的对比讨论分析。最后,设计和实现实验。分别在Douban数据集和Netflix数据集上进行实验,并与其他推荐方法UPCC、IPCC、PMF、LWR进行对比分析。实验结果说明,基于个人社会网络构建的用户画像可以较准确地挖掘出用户的兴趣特征标签,基于用户画像的推荐方法RMUP可以推荐符合用户兴趣偏好的产品,且具有良好的推荐效果。实验结果证明了推荐方法RMUP的正确性和可行性。