用户产生内容(User Generated Content,简称：UGC)是社交电商时期的主要信息模式。UGC呈现碎片化、海量、无序的特点,如何借助这些来自于社交电商的UGC数据来找到用户感兴趣的商品已经逐渐成为一个急需解决的问题。目前已有的推荐系统大多基于指定的电商平台,而基于来自社交电商平台的UGC数据的推荐系统,所依据的数据杂乱,数据的主观性强,如果用目前已有的推荐算法来进行推荐的话,明显已经不适用了。为此本文提出了一种基于社交电商UGC数据的智能推荐算法。为了提高推荐系统的精确度,本研究在利用潜在因子算法的原始用户的初始推荐的基础上,提出了一种新的基于多目标模糊识别的用户分组算法,并基于用户隶属度对传统的协同过滤算法进行了改进,使得系统对用户的推荐依赖于相似人群的兴趣爱好并且新用户的兴趣爱好也对老用户产生影响。和传统电商平台相比,UGC电商平台因为大部分用户只评分过全部商品中很少一部分,数据碎片化现象严重,其数学抽象是一个稀疏矩阵。传统的Slope One算法直接应用于UGC推荐系统显然不适合。本研究结合UGC平台特点,针对有一定用户和商品积累的UGC电商平台,根据相似喜好的用户群的特征能更好的推测用户对陌生商品的喜好程度这一思想,着重解决基于用户聚类的智能推荐。通过算法研究和系统功能分析,本文对基于社交电商的UGC智能推荐系统进行了系统架构设计和功能分析,针对有一定用户和商品积累的UGC电商平台,研究并解决了新用户进入为系统带来的两个新的问题：一方面推测新用户对系统已有商品的评分情况；另一方面还要推测老用户对新增商品的评分情况。最后借助开源项目Apache Mahout和从GroupLens项目获取的真实电影评分数据为实验数据来进行了系统实现,并对算法有效性进行了验证。