随着互联网技术发展及其应用水平的提高,互联网的数据量迎来了爆发式增长。互联网以多种形式满足了人们的衣食住行等需求,于此同时也带来了“信息过载”等问题。为了提升用户体验,提高用户发现信息的效率,一般通过以下三种方法解决该问题:内容分类、搜索引擎和推荐系统。在这三者中,推荐系统使用最为广泛。推荐系统的主要功能是根据物品属性信息和用户行为信息预测用户潜在的偏好,从而向用户推荐他们可能喜欢的物品。协同过滤技术是个性化推荐中最常用的方法,它通过用户与项目之间的联系为用户提供推荐结果。虽然协同过滤技术在电子商务平台里面得到了普遍应用,但它仍存在对用户兴趣感知不全面等问题。本文通过获取用户对商户、文章、订单等多方面因素来感知用户偏好,从而提高用户的参与度。首先,通过用户与商户、文章的历史行为记录,计算用户对商户的偏好得分。其次,通过用户对商户的订单,生成订单矩阵。为了解决推荐中常见的数据稀疏问题,将其转化为订单偏好矩阵,并由此计算用户相似度。通过近邻用户对类别的评分,预测用户对订单所属类别的偏好。最后对多个因素进行融合,得到推荐结果。通过本文提出的算法与其他两种算法的实验对比,实验结果证明该算法在准确度上有所提升。本文基于Android平台开展设计,并实现了推荐系统。首先,对系统进行需求分析,并由此得到系统架构。然后,进行功能设计及数据库设计。最后,在系统中实现了商户、文章、订单的搜索与展示功能以及用户信息维护功能,当用户刷新首页时,调用推荐算法为用户进行推荐。对系统进行了测试,测试结果表明各项功能符合预期。