随着21世纪移动互联网的高速发展,各个移动端平台都充实着大量质量层次不齐的信息,这种爆炸式的信息增长必然会导致信息不对称和信息质量低问题的产生,而推荐系统技术就是在这个背景下应运而生的。推荐系统是一种信息分发技术,连接了信息的生产者、信息分发平台和信息消费者三方,能够帮助信息消费者在不明确需求的情况下从海量的信息中筛选出对其有价值的信息。推荐系统不仅能够在用户视角上解决信息爆炸带来的一系列问题,还能够在商业领域中发挥重要作用,其中最典型的就是电商平台对推荐系统的应用。虽然推荐系统可以帮助用户筛选有价值的信息,也可以为企业带来明确的增量收益,但是仍然存在一些问题,例如用户隐私安全问题。目前也有针对保护用户隐私安全方面做推荐算法的研究,但经过加密后的数据会使得模型效果不是很理想,所以本文希望能够在保障用户数据的私密性的基础之上研究推荐的准确性问题。本文选取了阿里巴巴电商平台的用户行为数据进行分析,将推荐的准确性问题转化为预测是否购买商品的二分类问题,由于该数据完全不包含用户的隐私信息并对数据信息进行了脱敏处理,但是数据特征少的问题也会导致推荐准确率下降。所以针对此类研究问题本文对国内外的推荐技术展开研究,挑选二分类预测的模型,并针对数据特征少的特点进行改进。本文提出了CNN-XGBoost混合模型,能够有效挖掘少量数据特征中的复杂信息,提高二分类问题预测的准确率。具体来说,本文主要的研究工作和关键性成果如下:（1）总结归纳了推荐系统发展以来的关键性技术,主要分为了传统统计推荐模型和机器学习推荐模型两大类。并且对相关算法的理论知识进行总结和归纳,分析比对各类算法的优缺点,最终挑选出能够自行处理缺失值且能够防止过拟合的XGBoost模型作为分类器,以及能够从原始特征数据中挖掘出复杂信息的CNN模型,融合构造出CNNXGBoost混合模型。（2）在实证分析的数据部分,首先对原始数据进行了初步的探索性分析,了解到庞大的数据中蕴含的用户、商品以及他们之间潜在的关联关系,例如用户的购买行为往往集中在热门商品上,这对电商业务的理解有极大帮助,为手动构建特征提供了正确的思路。接下来在原始数据的处理部分,利用填补法进行缺失值处理、处理异常值以及解决了数据不平衡问题,并将数据集按照日期进行分割。最后根据电商业务知识根据原始数据的六个变量手动构建了包含用户特征、商品特征、商品类型特征、用户-商品交互特征、用户-商品类型交互特征五大类型共39个特征的特征工程。（3）在实证分析的实验部分,进行了模型训练和对比分析。分别对XGBoost、CNN和CNN-XGBoost进行了模型训练,选取的评估指标为AUC值,参考指标为Logloss值和准确率ACC值,经过参数调优后得到模型的最佳效果,其中CNN-XGBoost的AUC值为0.8355,比单个模型XGBoost的AUC值0.8317高出0.46%,比单个模型CNN的AUC值0.8317高出12.63%,实验验证了本文所提出CNN-XGBoost混合模型的效果最佳。（4）本文一共包含两个创新点。第一,研究角度新,虽然前人也有通过对数据进行加密或者差分隐私保护法研究保护用户数据相关的推荐,但只是加密用户隐私数据往往不能从源头杜绝数据的不正当收集,本文采取将少数特征的用户行为数据通过电商业务知识融合进行特征工程搭建,来提高购买概率的预测准确度。第二,本文为推荐系统的购买概率预测提供了新思路,使用了CNN和XGBoost融合的混合模型进行购买概率预测,利用了CNN能够提取原始特征数据中复杂的高阶特征信息的特点,解决了特征工程的数量和质量的问题。