随着互联网技术的高速发展,依托于互联网的各种产品给我们的生活带来无限的便利,但随之而来的是信息的爆炸,每天有大量的用户行为数据被收集。面对着这些海量的数据,有效的数据挖掘的工作一方面可以帮助企业深层次的挖掘未知的信息,找到企业新的创收点,另一方面,可以基于用户历史消费行为数据进行个性化服务,从而增加客户粘度。本文基于为电商增加用户粘度的考虑,利用用户消费行为的历史数据进行聚类分析,然后在属于同一群体内的消费者进行分析,挖掘其消费行为的规律,从而达到个性化服务的作用。一般情况下,在对人群进行划分的时候采用聚类算法,这其中K-means聚类算法由于其算法逻辑简单,结果便于解释被广泛的使用。K-means聚类算法通过比较用户距离不同类心的距离,将用户划入不同的类簇,其中,在计算样本相似度时,一般采用的是欧氏距离,欧氏距离没有将样本特征的重要性加以区分,没有考虑样本特征间的差异,这就导致在聚类时信息表达不够准确。为了改进K-means算法中的不足,本文利用信息论中熵的概念,对用户的特征向量进行权值的修改,达到充分描述用户消费行为的作用,此外,还采用了PSO算法优化初始类心的选取。最后,改进后的聚类算法结果表明在该场景下可以显著地提高聚类算法的性能,用户的聚类效果更加显著。