伴随着电商行业的迅猛发展,信息过载带来了用户决策效率低下、用户黏度降低等问题,推荐系统的产生可以有效消除这些信息壁垒,因此,提高电商推荐系统的性能是电商行业蓬勃发展的必经之路。目前的推荐系统主要是基于经典的推荐算法,随着相关学者对各类经典推荐算法的完善,虽然技术上日趋成熟,但应用场景的多样化仍然使推荐系统无法实现全面有效的推荐,而凭借对数据有强大拟合能力的深度学习算法被应用到各大领域,本文从新的应用场景出发,基于天猫平台“双十一”前六个月及“双十一”当天用户行为数据,对经典推荐算法进行了改进,并对深度学习算法中BP神经网络的推荐技术进行了探索,以推动电商推荐系统全面且有效的应用,具体研究工作及结果如下:（1）电商用户画像研究。本文从用户的基础属性、用户偏好范围、行为习惯及商品热度这几个方面对天猫平台用户的属性、偏好等特征信息进行挖掘,了解用户偏好及决策。分析结果表明:天猫平台的主力军为25-29岁的女性用户,她们的购物偏好范围较小,偏向于选择固定的商家、品牌和商品类别,且复购率最高,平台98.56%的用户为点击达人,0.23%的用户为购买达人,以“67897”、“783997”、“990922”为代表的商品热度高,点击热度较高的商品购买热度较低。（2）推荐模型应用研究。首先构建改进的基于项目的协同过滤推荐模型,以商品特征代替用户对商品的评分来计算商品相似度,再根据构建的用户行为特征,构建基于BP神经网络的推荐模型预测用户决策,模型预测结果为购买的商品对用户进行推荐。计算结果表明:基于项目的协同过滤推荐模型准确率达到88%,推荐成功率为25%;基于BP神经网络的推荐模型准确率达到93.2%,推荐成功率为60%,从推荐效果和实现过程两方面比较,基于BP神经网络的推荐模型优于基于项目的协同过滤推荐模型。