随着信息技术的不断发展,以及社交网站新用户的快速增加,推荐技术显得越来越重要。个性化推荐在近些年备受关注,吸引了众多学者,虽然推荐系统愈来愈成熟,不断地诞生新的技术和方法,但是仍然存在数据稀疏性、冷启动、推荐精度不够等问题。并且经过研究发现,用户在社交网站上的行为和用户的性格存在很大的关联性,OCEAN模型的五种特质可以高度的涵盖用户性格的所有方面。所以,分析用户在社交网站留下的数字脚印,提取出用户行为的规律,针对性的对每个用户的需求做出相对准确的评估,进而给用户提供个性化的服务具有很重要的意义。本文首先搭建了基于神经网络对社交网站用户的OCEAN模型进行构建的算法。采用LDA主题模型对用户的文本特征进行提取,作为BP神经网络的样本输入,用调查问卷得到的用户OCEAN模型的结果作为BP神经网络的样本输出,通过训练神经网络,建立用户文本主题概率与用户OCEAN模型之间的映射模型,以此可以通过用户社交网站的文字材料预测用户的OCEAN模型。其次,根据目前的微定向传播方法及其不足,提出了两种基于用户的OCEAN模型对用户进行微定向传播的方法。第一种方法是对传统协同过滤进行改进的基于用户聚类的协同过滤方法,将用户根据OCEAN模型进行聚类以后,用基于BiasSVD的协同过滤方法在用户所属类簇内对用户进行协同过滤,产生推荐。第二种方法是将深度学习应用到协同过滤中的方法,使用栈式降噪编码器(SDAE)对用户-项目评分矩阵进行非线性的降维以提取到更丰富的信息,将用户OCEAN模型加入到降维后的用户特征矩阵和项目特征矩阵中组成有监督训练集,利用多元线性回归的方式对用户的未打分项目进行预测,产生推荐。通过实验证明,经过用户的OCEAN模型进行聚类以后,不仅提高了推荐的准确性,而且推荐的时间相比整个用户空间也极大的缩短了,并能有效的解决微定向传播中的冷启动问题。同时经过实验证实经过栈式降噪编码器改进了的协同过滤算法能提高推荐的精确度,并且在加入了用户的OCEAN模型以后,精确度相比于未加入用户OCEAN模型的有了一定的优化效果。