电子商务系统中,搜索已经难以满足用户的日常使用需要时,用户需要新的方法来获得自己心仪的商品。电子商务推荐系统能帮助用户在海量商品或品牌中找到用户需要的,构建了一座直接沟通用户和商品或品牌的桥梁。构建电子商务推荐系统需要对数据进行充分的分析,发现其中对推荐系统构建有用的特征,保证设计的推荐系统的有效性。但是,目前的相关研究对数据的分析都只关注了简单的用户行为变化,没有关注不同行为之间随时间的相互影响和演化。电子商务推荐系统的另一个问题是随着新用户和新商品的大量涌入,数据的稀疏性比较大,在构建基于用户相似性的协同过滤系统时,难以寻找相似的用户。本文对电子商务的推荐系统进行了研究,并且根据上述提出的问题,进行了以下几部分工作:1)本文对一个真实的电商数据集进行了细粒度的时变相关分析。将用户的品牌购买倾向作为分析中心,通过对不同时变行为的细粒度分析,发现不同行为在品牌购买时的演化和互相影响,以及不同用户在品牌购买时的特性。用户在电商平台上的行为可分为三种,包括点击行为、收藏行为和购买行为。每一种行为都能反映一定的用户购买倾向。同时,用户的属性数据同样能够影响用户的品牌购买,如对于一个用户群主要为年轻女性的品牌,一个中年男性购买的可能性就比较低。这些分析能够帮助更好地理解用户的购买倾向。2)其次,根据上述的分析结果,提出了一个基于时变特征的品牌购买预测模型。本文通过对用户行为数据和用户属性数据进行特征提取,得到了用户时变特征、用户属性特征以及品牌属性特征。并通过促销活动购买预测和日常购买预测两个场景下的实验,验证了时变特征对购买预测的有效性。同时两个场景下不同特征的不同重要性,反映了用户消费心理的不同。3)最后,本文设计了一个基于融合相似度的品牌推荐算法。品牌推荐基于协同过滤算法,从用户的相似性角度出发,通过设计多维的特征,计算两个用户间在多个维度上的相似度。筛选出了不同的两组数据,根据选择的分类器训练了两个模型,相似度预测结合了两个模型的结果得到。实验通过对随机抽取了一部分用户,验证了算法具有一定的新奇性,同时对比传统的协同过滤,提高了一定的准确性。