互联网技术的发展在丰富了人们日常生活的同时，也记录了人们的生活方式。随着大数据思维的推广，用户行为的重视程度得到很大的提高，随着大数据技术的发展，行为得以越来越多的被记录和分析。随着数据与行为学、心理学等学科相结合的交织，用户信息的利用程度得以深化。纵观现代服务业，传统的用户主动寻找的方式已经不能满足用户的消费需求，也不利于企业吸引用户、增加用户黏着力以及占领市场份额，在竞争日益激烈的互联网电商界，如果能实现用产品的精准投放和营销、通过相关技术挖掘用户喜好、制造兴趣点培养其消费需求，将会增加用户黏着力，扩大企业规模增加企业利润。于此同时，个性化推荐技术已经应用到较多的商业推荐系统中，但是，对于用户知识的利用率不大。本文通过引入用户知识重用的概念，对已有用户信息重复使用，明确用户偏好并扩大用户偏好以改进传统的推荐算法，从而提高推荐准确率，构建用户知识重用模型以处理不同数据集类型的实际生活数据。本文主要做了以下几方面的工作：　　1.针对用户偏好的特点,提出了改进的用户偏好计算方法，解决了用户偏好划分模糊的问题。　　2.针对用户偏好在使用过程中存在着被弱化的特点，提出了新的用户偏好使用方式，提高了推荐结果的准确性。　　3.综合考虑以上两点在推荐算法中的改进，以及实际生活中数据集的差异，提出了应用于不同数据集类型的用户知识重用模型。　　4.设计实验并验证了上述模型。