互联网技术的发展推动网络购物蓬勃发展。越来越多的商品信息被上传到网络上,用户在面对数以亿计的商品往往会无法一下子明确自己的购买意愿,这对于商家以及用户都是一种损失,商家有可能错过对自己商品有隐性需求的用户,用户则会在浏览大量商品的过程中浪费大量的时间。通过研究个性化推荐能够在一定程度上解决上述问题。在推荐算法计算过程中,相对于更为稀少的显示反馈数据,用户的隐式反馈数据更加容易获得,数据量也更大。但是随着数据维度越来越复杂,单一的推荐算法逐渐难以胜任推荐问题日益个性化的需求。本文通过研究用户的隐式行为数据,分析目标用户的行为特征,向目标用户进行推荐。区别于包含用户评分、能够直接表达用户偏好的显示行为数据,隐式行为数据不包含用户的评分,所以无法直接展示用户对商品的偏好。本文针对用户行为的时效性,使用层次分析法、Sigmoid函数以及指数加权平均法将用户行为数据转换成用户在一段时间内对商品的偏好数值,使用用户对商品的偏好计算目标用户有可能感兴趣的商品,使得推荐结果更具有准确性。在完成用户偏好的计算后,本文在对推荐算法进行串行组合以及并行组合,弥补单个推荐算法的缺陷,提升推荐结果的准确性以及多样性。在获得用户偏好数值后,本文对用户-物品评分矩阵进行分解获得用户的特征,再使用该特征作为参数传入基于聚类的用户推荐算法,获得目标用户的聚簇以及同聚簇的相似用户列表1。同时使用改进后皮尔森函数计算目标用户的相似用户列表2。对两个用户列表借助随机森林对决策树计算结果组合的思想对推荐列表进行组合获得最终用户列表,使用最终相似用户列表计算目标用户的推荐列表,提升推荐结果的准确性。最后,使用基于物品的协同过滤推荐算法计算出待推荐商品列表对推荐列表进行补充。提升推荐结果的多样性。完成算法的组合后,本文使用Retailrocket数据集以及阿里云数据集对算法的推荐效果进行验证。实验结果表明,本文设计的推荐算法组合方案相对隐式反馈推荐、传统推荐算法以及其他组合推荐方案具有更好的推荐效果,能够更好地向用户提供商品推荐服务,满足用户的需求。