互联网时代不断发展为互联网+大数据的时代,信息资源及其丰富,如何快速、准确的从海量数据中获取自身需要的信息亟待解决。个性化推荐作为信息过滤的重要手段,是解决信息过载问题的一种有效方法。论文以数据挖掘技术为基点,以向用户提供更好的个性化推荐服务为目标,主要围绕多层关联规则挖掘技术、用户兴趣建模两方面展开研究。并以电子商务网站为应用场景,建立一个个性化推荐系统。论文主要研究内容如下:(1)针对传统多层关联规则挖掘算法,执行效率低,规则冗余度高,且多数只能挖掘同层次间规则的问题,提出基于FP_Growth的约束事务扩展的多层关联挖掘算法(CTE-MARM)。根据用户需求及应用场景不同,对事务数集进行k层约束扩展预处理,保证挖掘出多层次间关联规则的同时,有效压缩事务数集大小,提高挖掘执行效率且降低大数据处理负担及规则冗余度。(2)将关联规则引入到用户兴趣模型中。对电子商务网站记录的用户浏览行为数据进行分析处理,结合多层关联规则挖掘的规则库及用户浏览行为分析得出的用户兴趣共同建立用户兴趣模型。综合考虑用户自身的兴趣偏好及广大消费者的购物趋势,以提供更好的个性化服务。(3)设计一个基于电子商务网站的个性化推荐系统,并将基于关联规则的用户兴趣模型应用到该个性化推荐系统中。实验结果表明,该系统能很好的结合用户自身兴趣偏好及广大消费者消费趋势来进行个性化推荐。