推荐系统在电子商务等领域的应用越来越广泛,其优势主要体现以下几个方面:对用户而言,推荐系统能够帮助用户快速定位自己偏好的商品,降低时间成本;对电商系统而言,有效利用推荐算法能够精准分析用户偏好,定向投放产品广告,提升用户体验,同时提高销售额,获取更高的利润。简而言之,推荐系统能够使电商生态体系处于一个良性循环。然而目前电商中应用的推荐系统模式相对较为单一,对用户行为及行为发生时间不够敏感,导致推荐结果不够新颖等问题。针对上述问题,本文重点研究了电子商务网站中用户行为等隐式反馈信息以及隐式反馈在推荐系统中的作用,提出了基于用户行为的电子商务推荐算法AtBPR。实验结果表明AtBPR算法优于其他基于隐式反馈推荐算法。本文主要研究成果如下:(1)不同用户行为代表用户对商品的不同偏好强度,同时考虑用户偏好随时间可能产生的变化,提出了随时间衰减的用户行为打分函数,用来预测用户对商品的喜好。(2)为有效处理用户对商品的偏好关系,提出一套个性化推荐算法,通过优化用户的商品-商品偏好矩阵获取用户最喜爱的产品列表。(3)为加快算法迭代速度,降低运行时间,提出约束性采样算法。本文首先介绍了当前电子商务发展态势,描述了本文的研究背景与意义。然后对已有研究进行了综述,分析了它们的优势与不足,结合当前的业务场景得出了本文的研究思路。随后结合用户行为和贝叶斯个性化排序算法提出基于用户行为和时间戳的个性化推荐算法(AtBPR)。并且通过一系列的实验,在稀疏和稠密的两种数据集上进行验证,通过对比准确率和召回率两个推荐系统领域常用指标发现,本研究提出的算法优于传统的基于隐式反馈的个性化排序等算法。最后本研究基于此算法实现了一套原型系统,并介绍了它的离线计算、在线计算以及手机客户端三个模块的设计与实现。