随着信息技术和互联网的发展,信息过载现象使得用户处理海量数据并从中找到有效信息的代价越来越高,个性化推荐应运而生。电子商务是个性化推荐邻域的重要应用之一,如何从海量商品集中高效地为用户推荐个性化商品成为近年来研究热点。由于隐式反馈数据量大且易获取,专家学者逐渐将研究重心从显式评分推荐转移到隐式反馈推荐,其中以BPR(Bayesian Personalized Ranking)为主流模型。电商隐式反馈具有数据量大、存在固有噪声及正负样本极不均衡等特点,且性能要求高,现有模型无法直接应用,因此本文从采样策略和用户偏好定义两方面对BPR进行改进,旨在同时提高商品推荐的精度和效率。本文主要工作包括:1)提出一种基于内容的混合采样策略的BPR改进算法现有采样方式未充分考虑噪声样本对模型准确度和收敛速度的影响,而电商更注重推荐精度和高效性。因此本文研究提出一种基于内容的混合采样策略的BPR改进算法。该算法同时考虑商品对信息值、商品内容及用户潜在偏好三个因素,选择高质量、高可比及高可信的样本进行模型训练,真实电商数据的实验结果表明,其在各项评估指标上都优于BPR且比现有采样改进算法能更快收敛。2)提出一种基于内容和用户偏好学习的个性化商品推荐模型由于电商数据量大、拥有丰富商品内容及用户特殊网购行为特点,现有模型无法准确刻画用户偏好。因此本文研究提出一种基于内容和用户偏好学习的个性化商品推荐模型。模型采用混合采样策略,同时考虑用户潜在偏好、商品内容及用户网购行为特点,重定义用户偏好,并添加相应置信度,真实电商数据的实验结果表明,其相较现有模型能达到更高推荐精度且能更稳定更快的达到收敛状态。