随着互联网的快速普及和网络营销平台的逐渐成熟,越来越多的人倾向于在互联网上购买产品并发表自己的体验效果和心得感受,网络中存储的信息也随之呈现爆炸式的增长,导致大部分信息的利用率降低,数据冗余极高,用户查找有价值的信息就像是沙里淘金,难上加难。因此,为了节省用户查询、浏览信息的时间,精确、高效地为用户提供有价值的信息推荐将具有重要的意义。本文阐述了数据挖掘技术和个性化推荐算法的基础知识,介绍了网络营销平台的发展和构成,并对用户网上购物的行为特点和现有推荐算法精确度低、多样性差等问题进行研究和改进。主要工作如下:1、本文提出了基于热扩散影响传播的社交网络个性化推荐算法(HDIP)。首先,根据网络营销平台中用户的购买日志构建异构信息网络图,提取“用户-用户”,“用户-商品”以及“商品-商品”之间的隐含关系。然后利用热扩散概率模型,计算用户的外部影响因素和内部影响因素,并统一为跟随概率分数。最后,选出与目标用户相似的邻近用户,并将评分高且未被浏览过的产品信息作为推荐内容。该方法真实地模拟了社交网络中用户对之间的影响过程,并通过综合考虑影响用户决策的各种因素以及对相似用户的准确排序得到个性化的推荐结果。2、本文提出了基于先验知识的个性化捆绑推荐算法(PKIP)。首先,根据用户的历史购物日志构建异构信息网络图,然后,利用基于先验知识的热扩散模型分析用户之间的不等影响力传播概率,计算用户的跟随概率分数,并选择最佳邻近用户和评级最高的产品。最后,根据商品自身的特征属性和商品之间的隐含关系进行分类捆绑,以商品包的形式推荐给用户。实验表明,PKIP算法提高了推荐结果的准确性和多样性。目前,网络数据体量巨大,数据种类繁多,数据价值密度和运行效率较低。个性化推荐算法能够充分地挖掘隐藏在大数据中有价值的信息,并通过网络营销平台向用户提供合理化建议。本文提出的两种方案提高了推荐结果的准确性和多样性,同时实现了针对不同客户群体的营销策略。