近年随着二手车交易平台内汽车产品种类和数量不断增多,平台内出现买卖双方信息不对称现象。面对海量的汽车产品信息,利用传统的搜索技术很难为用户提供个性化需求服务,制约着平台进一步发展。为此,本文提出在二手车交易平台内应用个性化推荐系统的解决方案。以此为研究对象,构建基于用户兴趣变化的协同过滤推荐方法。以Hadoop技术为基础架构设计了二手车交易平台产品个性化推荐系统,为用户提供更加方便、可靠和高效的汽车产品推送服务。论文工作内容如下:(1)介绍了二手车交易平台个性化推荐方法研究背景及目的,并阐述了二手车交易平台发展现状及存在的问题。针对二手车交易平台出现汽车标签语义模糊问题,提出构建复杂汽车标签网络,并对其进行聚类分析生成不同标签族的解决方案。(2)针对二手车交易平台用户兴趣变化和矩阵数据稀疏的问题,构建基于用户兴趣变化模型协同过滤推荐方法。该推荐方法在构建用户兴趣模型中引入了时间因素,通过将标签权重和时间模型相结合实现用户兴趣模型的动态更新,有效解决了二手车交易平台内用户兴趣不断变化问题,为用户实时推荐相匹配的汽车产品信息。通过建立用户-兴趣主题兴趣度关系矩阵代替评分矩阵计算用户之间的相似度,不仅降低了评分矩阵的维度,还解决了二手车交易平台内矩阵数据稀疏的问题,从而提高了为用户推荐汽车产品信息的效率。通过设计实验对本文构建的推荐方法和其他推荐方法准确度和召回率进行对比分析,验证本文推荐方法在推荐准确度方面具有优越性。(3)设计二手车交易平台产品个性化推荐系统。详细描述了平台的需求,利用基于Hadoop大数据分布式处理技术完成了推荐系统设计。该推荐系统分为数据库采集与存储模块、推荐引擎模块、系统管理模块。推荐引擎模块是二手车交易平台产品个性化推荐系统的核心模块,并详细论述了该模块推荐的实现机制。该推荐系统使得二手车交易平台具有“千人千面”的服务能力,更好的为用户提供智能化汽车产品信息推送服务。