网络给人们生活带来了极大便利,越来越多的消费者开始倾向于网络购物,网络购物的优势很多,首先,具有选择多样性,其次,就是操作简单,最重要的是时间成本比较低,减少了顾客的出行时间。然而,传统的电子商务平台,也存在着一些不足,由于商品的种类过于丰富,顾客要找到自己称心如意的商品并不是一件易事。即陷入所谓的“信息过载”问题。为了对客户有针对性地进行推荐,提高商品销量,个性化推荐系统应运而生。基于用户评分的显式反馈的推荐算法目前得到了比较广泛的研究,而基于用户的历史行为数据,比如用户停留在商品页面的时间,浏览次数,加入购物车等等行为,这些都属于隐式反馈,本文研究的主要内容便是根据用户的隐式反馈信息设计对客户进行有效推荐的个性化算法。本文首先介绍了一些个性化推荐系统中的经典算法,包括基于内容的推荐,协同过滤推荐以及混合推荐策略等。然后针对电子商务领域,考虑包含时间信息的用户行为数据,主要是“点击、收藏、加入购物车、购买”四种行为,按照时间分段统计出各种行为发生的次数,组成时间序列,从中提取出特征,并以此作为逻辑回归模型的输入参数,得到一个概率矩阵,此时再将得到的概率矩阵作为评分,利用协同过滤的推荐策略向用户进行商品推荐。传统的协同过滤方法往往忽略了用户或产品的消费时间这一因素,本文采用考虑包含时间影响的时序行为,可以使得个性化推荐的结果更加合理。实验采用的是天猫用户某一年四个月内的用户行为数据,实验表明,考虑行为序列结合协同过滤的推荐策略具有比较理想的推荐效果,同时解决了隐式反馈不能直接使用协同过滤策略的问题,并且对于稀疏数据也能有效进行处理。最后,本文从业务特征以及统计学角度出发,优化推荐结果,提高了算法的准确性。