随着互联网不断融入到社会经济和日常生活中,人们已习惯于进行各种在线信息交互行为(如购物、社交、导航等),从而产生了海量的情境数据。这些数据包含很多特征信息,如客户的消费时间、空间位置、购物记录等,其中隐含了客户的消费意向。同时,企业往往需要针对不同的客户群体、不同的消费情境,结合不同的业务元素,设计不同的套餐产品,以满足不同客户群体的消费需求,增强用户粘度。为此,分析海量用户消费数据,从中获取有用知识,以“消费者导向”为核心理念,个性化、智能化地为用户推荐商品变得尤为重要。本文基于混合策略个性化推荐的思想,为提升业务套餐型产品个性化推荐的准确性,提出了基于特征增益与多级优化的协同过滤推荐算法(Feature Augmentation and Cascade Collaborative Filtering,FACCF),其中融合了消费数据的时域特征、空域特征、消费倾向以及套餐特征。首先基于客户的时域、空域行为特征构建了CTAP概率主题模型进行主题抽取;其次,将抽取的新特征、套餐主题与套餐特征结合进行优化;再结合客户群体的消费倾向进行挖掘研究,形成二次优化,获得个性化推荐列表。使用真实用户数据进行实证分析的结果表明,FACCF算法在推荐准确性方面均优于传统方法。最后,将FACCF算法在Hadoop平台上予以实现,提高算法的运算效率,并应用于电信套餐个性化推荐。