近几年,电子商务的发展势头非常迅猛,网络购物逐渐成为人们网络生活的重要组成部分。大量商品信息充斥着电子商务网络,带来了“信息过载”问题。推荐系统的出现成为了解决“信息过载”问题的有效手段。目前在推荐系统中应用最广泛、效果最好的协同过滤推荐技术仍然面临着数据稀疏性、冷启动等问题。随着电子商务系统中社会网络服务的集成,有效的改善了推荐技术中存在的一些问题,为将社会网络分析融合到推荐技术中提供了良好的基础。因此,研究如何更好的将社会网络分析应用在个性化推荐系统中,不仅可以改善推荐系统中普遍存在的问题,还可以为用户提供更加准确有效的推荐,提高用户的满意度和购买率,这对用户和企业都极具现实意义。本文通过分析用户的历史行为数据,即用户在购物网上购买、收藏或分享过的商品信息,作为获取用户对商品属性消费偏好情况的重要依据。在此基础上,结合社会网络中信息传播的研究,分析用户的好友对其消费偏好的传播影响过程,并对其消费偏好进行更新以获取用户最新的消费偏好。最后通过用户最新的消费偏好文档与商品属性文档进行匹配,获取目标商品推荐给用户。首先,研究了国内外关于用户消费偏好的文献,结合本文的研究背景特点,通过对电子商务中用户的历史行为商品属性信息进行定性和定量的刻画,采用基于向量空间模型的表示法,分析电子商务中用户对商品属性特征项的偏好度,构建用户消费偏好模型。其次,分析在社会网络中用户间的交互行为信息,对用户间的关联关系强度进行了定义描述,在此基础上,通过改进线性阈值传播模型来分析社会网络中用户消费偏好的传播动态演变过程,构建基于社会网络的用户消费偏好传播模型。根据用户消费偏好的传播变化过程,对用户消费偏好动态演变机制进行定义描述,并根据用户消费偏好传播机制分析用户的消费偏好是否受到影响发生改变,及时更新用户的消费偏好。最后,将用户消费偏好动态演变机制应用到个性化商品推荐中。设计用户消费偏好与商品属性的匹配规则,根据用户最新的消费偏好文档,将其与商品属性文档进行匹配,对用户推荐目标商品。并通过与传统的基于内容推荐算法的对比分析,验证本文的推荐方法在推荐结果上的高效准确性。本文的创新点在于通过挖掘用户的历史行为商品数据分析用户的消费偏好,并结合用户间的交互行为分析社会网络中用户消费偏好的传播机制,为用户推荐更加准确的商品,提升用户的满意度及企业效益。研究用户消费偏好传播机制不仅可以帮助理解用户的影响效应,还可以预测用户消费偏好的变化趋势,向用户更准确地推荐他可能感兴趣的商品。另外,本文研究的用户历史行为数据及用户间的关系交互信息等涉及到用户隐私及电商企业的机密,导致难以获取电子商务系统中用户行为数据。为解决这一局限,本文采用模拟实验的方法,通过搭建模拟电子商务购物系统来获取本文研究的基础数据。为保证数据的可靠性,采用一定的激励机制,让用户在该模拟系统中进行浏览、购物、收藏、转发及互动等行为。同时,本文采用R语言,以R软件为平台对构建的模型进行有效性验证及推荐算法的实现。