由于最近几年信息技术与互联网发展速度持续上升,涌现出了一批新兴的网络购物模式,比如淘宝、天猫、京东以及亚马逊等,因此信息资源从有限转变成了过剩的局面。根据现阶段购物方式发生改变且信息冗余的情况,利用数据资源深度分析用户偏好,以此达成高交易率的目标,为当前最重要的任务。所以本文所涉及的网上商城和推荐系统都是基于该背景下进行建设和执行的。本课题最主要的目标是尽可能地实现更多的在线交易量。基于不收集用户需求的背景下,根据用户先前的购买记录展开研究,并使用分析数据搭建对应的模型,向用户推送极可能感兴趣以及想要的商品,以此增加商品曝光度,提升商品浏览量,最终实现商品交易的目的,与此同时加大商城收益并提高用户体验感。本文大体的研究框架是:首先创建出基于用户历史购买行为的网上商城,并通过大数据平台挖掘用户喜好,制定且实时更新用户个性化标签,利用推荐算法让用户主动浏览偏好商品。本次所研发的购物商城,其性能模块大致包含购物车、订单管理、商品管理以及用户偏好收集。具体而言,能够被用户偏好功能所收集到的行为有检索、查阅、选购、收藏以及评价。而对推荐算法产生影响的因素主要是店铺状况与用户行为,一方面店铺的销量情况、评论数量、好评条数、检索次数等都会对其排名推荐产生重要影响;另一方面用户的注册信息、风格偏好和我的收藏都会影响到商品的推送情况,除此之外,推荐算法还会自动过滤用户协同信息以及购物车商品协同,同时针对购物车商品还会推荐更优质的同质化商品。本课题的研究方法是分析出使用网上购物和推荐算法的原因,以此明确其所具有的现实价值。随后查阅相关推荐算法的文献资料,根据推荐算法的应用环境以及多类型的推荐算法展开了研究分析,最终建设成网上购物商城,生成用户偏好信息以及完成了基于算法的商品推送目标。