随着时代的发展,网络购物逐渐成为人们日常生活中不可或缺的一部分。电子商务平台在运营中积累了大量的历史数据,如何充分利用这些数据提升用户的购物体验变得非常重要。传统的推荐算法无法充分挖掘用户的行为数据,预测用户购买的准确率不高。用户的行为数据中包含了许多的重要信息,可以预测用户可能喜好的商品并提高购买转换率。本文在上述背景下,为了提升预测用户购买的准确度,在阿里巴巴公开的数据集上进行数据挖掘。首先对数据集进行可视化分析,提取用户行为数据的规律后,通过构建特征工程,特征数据的清洗处理完成对分类模型进行训练。在训练中,本文提出了使用基于k-means聚类下采样调节正负样本比提升分类模型的训练速度和精度。最后将逻辑回归模型、随机森林模型和梯度提升决策树模型调节至最佳参数,对比在测试集中的性能,发现梯度提升决策树算法在复杂的数据中表现的更佳。在梯度提升决策树算法的基础上,提出使用基于用户的协同过滤算法进行补充。针对在实际中用户时间精力有限,商品的显示评分较少的问题,提出了使用一种用户兴趣值的计算。本文提出了一种基于排序的混合方式,将两种推荐算法的推荐列表在融合时采用基于兴趣值的排序生成推荐列表。通过实验与传统的混杂的混合推荐方式进行对比验证了该算法不仅能够为用户带来新颖商品也能提高推荐准确度,充分发挥了两种推荐算法的特性。在该混合推荐模型为基础上设计了个性化商品推荐系统,实现了Android端购物应用,并对实际的推荐效果进行了测试。在总结了本文的工作成果后对相关研究进行展望,对进一步提高推荐准确度和提升用户的购物体验进行了下一步规划。