随着大数据时代的来临,经济全球化的进程也日益加速,企业之间的竞争不断加大,物流服务的竞争也在不断加剧,物流服务推送系统也就随之应用而生。在服务全球化背景下,物流服务推送系统之间的市场竞争也日趋加剧,如何提供更加准确、有意义的服务推送对于物流行业来说显得极其重要。从客户的个人基本信息,历史记录等构建出客户需求行为的客户画像,在此基础上进行一系列的服务推送,这样可以有效的解决以前的物流定制化服务推荐过程中存在的机械性和盲目性的问题,从而提高客户的忠诚度与满意度。本文采用关联规则分析技术来处理物流客户的相关数据,得出客户与商品的关联度,并在此基础上对物流客户提供更好的推荐服务。基于关联规则分析和协同过滤算法在个性化推荐技术中是应用较多的两种方法,在传统的关联规则分析算法中存在着发现规则较难,占用不必要的系统资源,以及耗时较长等缺点,在协同过滤推荐算法中也存在着冷启动和数据稀疏性等不可忽视的问题。所以本文提出了一种将协同过滤算法加入到基于关联规则分析的改进算法中,两者的结合可以弥补两种基本算法存在的缺点。本文中我们将权值与高期望概率的思想加入到关联规则算法中,以此来提高规则提取的效率和准确性,同时减少系统开销,但是在面对新项目的问题时,该方法并不能有效的解决问题,所以我们提出将关联规则改进算法与协同过滤算法进行结合,通过对两种算法的结果进行加权比较,采用Top-N的方法实现最终的推荐结果。这样不仅可以使得协同过滤有效改善关联规则推荐过程中存在的新项目问题,同时关联规则改进算法在挖掘潜在规则中改善协同过滤的数据稀疏性问题。综上所述,本文对关联规则分析算法进行了改进,同时与协同过滤算法相结合,使其推荐结果更加的准确与高效,同时具有多样性。最后,对提出的混合推荐算法和两种基础算法进行性能验证,并对MAE、对比准确率、F1-Measured、召回率等性能指标进行了分析比较,结果表明所提出的算法具有良好的时间效率和准确性。