随着信息技术和互联网的发展,同时带动了电子商务行业的迅猛发展。在基于互联网的电子商务平台日益增多的同时,伴随而来的是呈爆炸式增长的数据量。虽然数据量的增多可以给用户提供更多的选择,但同时也会导致用户信息过载,无法从如此纷繁复杂的信息中快速提取自己想要的信息。推荐系统就是基于用户和平台的这种需求而诞生的。推荐系统中最关键和最核心的模块是推荐算法,推荐算法的好坏直接决定了整个推荐系统的性能。本文主要研究基于用户行为的推荐算法,利用该算法来预测用户的购买行为。针对某大型电商平台提供的真实用户行为数据库,提取用户和品牌的特征,采用随机森林和改进的协同过滤算法,以及组合神经网络算法对用户下个月的购买行为进行预测。本文主要从用户交互过和未交互过的品牌两个方向出发,对推荐算法进行研究和改进,最后通过实验仿真,验证了本文改进算法的有效性。本文的主要研究内容如下:(1)基于随机森林和协同过滤的混合推荐算法。分析了决策树模型在本文原始数据上应用的不足,针对该算法的不足,提出应用多决策树组合模型,即随机森林模型进行预测推荐;对随机森林模型进行了详细介绍和分析;并且利用随机森林模型对分析用户行为设计的用户和品牌特征进行了重要性评估。对用户未交互品牌的预测,应用协同过滤算法。对传统协同过滤算法进行介绍分析,针对传统协同过滤算法中计算用户和品牌相似性时对用户行为的同等对待这一不合理性,提出了对用户行为基于重要性赋予权重,该权重的计算方法采用层次分析法中计算权重的方法进行。(2)基于RBF-BP组合神经网络推荐算法。利用神经网络能够对大量复杂的非线性数据进行分析,适用于构造数据预测模型,因此本文利用了神经网络模型对用户有过交互行为的品牌做预测推荐。通过分析BP神经网络和RBF神经网络模型用于预测分析的优缺点,提出了基于RBF-BP组合神经网络推荐算法。为了使推荐结果更全面,把改进后的协同过滤推荐算法和组合神经网络推荐算法结果相融合,能达到更好的推荐效果。最后对这几种算法进行了实验,实验结果显示改进算法的性能都得到了提升。