随着时代的发展,互联网技术的进步,电子商务、物联网使得人们的生活越来越便利,但同时也带来了系列的信息过载、信息安全等问题。在电子商务领域,一方面,面对各式各样的交互信息,用户往往无法得知信息的真实性,并且从中快速准确的获取可靠且令自己满意的信息;另一方面,商家也无法确切了解到用户真实的反馈信息以及兴趣需求,从而为其提供满意的服务。这样不仅会导致信息利用率低,影响平台信誉度,还会使用户的利益得不到保障。为了能更好的利用这些信息,找到用户行为和商品之间的关系,解决用户面临众多商品的选择问题,推荐系统的可靠性和准确性越来越重要。针对这些问题,本文提出了以下几点改进:(1)针对评论信息的隐含特征获取困难问题,采用卷积神经网络的反向传播算法深度挖掘隐含信息,获取用户和项目的隐含特征。对于评论信息的可信度问题,提出了基于用户行为的用户评论可信度计算方法,根据用户行为数据的时间衰减函数以及对项目交易数和评论数的回归分析,得出评论信息的可信度计算方法,提高了数据质量。(2)针对传统协同过滤算法中评分用户对商品评判标准不一致问题,提出基于用户属性的用户-项目评分矩阵改进方法。根据影响用户决策的3大基本用户属性对用户聚类,并对聚类后的用户加入权重因子,调节相似程度不同的用户评分比重,基于人口属性越相似的用户评判标准越接近概念,优化用户相似度计算方法。针对没有共同评分的用户,通过项目-属性矩阵,计算用户对项目属性的偏好值,共同属性偏好越多的用户相似度越高。最后综合两部分相似用户集预测目标用户的项目评分。实验证明,改进后的推荐算法在推荐准确度和召回率上均得到提高。(3)针对用户冷启动问题,提出基于关联规则的通用用户画像模型。通过关联规则生成用户项目标签,在用户人口属性的基础上对用户聚类,根据重心法计算每个用户群的中心用户项目标签。目标用户基于人口属性匹配中心用户,得到属于目标用户的通用用户项目标签并生成推荐列表。实验证明,在用户冷启动问题上该推荐算法效果略佳。