在当今信息化时代,如何快速并且准确地从互联网海量的信息资源中获取自己所需要的信息显得十分重要,于是个性化推荐系统应运而生。电子商务是近年来比较火热的一个行业,个性化推荐系统在电商平台上的应用被广泛关注。大多数推荐算法的研究都依赖于显式评分数据,然而电商平台中丰富的隐式反馈数据信息蕴藏着巨大的推荐价值,近年来,面向隐式反馈的推荐算法研究也越来越热门,其中有学者提出了一种个性化推荐模型:贝叶斯个性化排序模型（Bayesian Personalized Ranking,BPR）。但是,直接使用BPR模型会出现一些问题,比如,电商平台的异构式隐式反馈数据无法直接被模型使用,模型中的随机采样方式忽略了商品的内容信息会丢失推荐算法精度,模型忽略了用户隐式反馈行为数据中包含的用户的个人偏好信息。因此,本文从数据采样方式和用户对商品的偏好假设两个方面出发,对基线算法BPR进行改进。本文的主要工作内容和创新点如下:（1）提出一种基于商品种类和品牌混合采样的BPR算法(BPRCB)由于在采样的过程中忽略了商品的内容信息,BPR模型中的随机采样方式生成的部分训练样本不符合实际需求,可信度较低。针对这种采样方式的不足,本文提出一种基于商品种类和品牌混合采样的BPR算法(BPRCB),认为训练样本中的两个商品都属于相同种类的价值高于属于不同种类的价值,在同一种类下的两个商品的品牌不同的训练样本好于品牌相同的训练样本。通过在电商数据集上进行各项评价指标的实验结果对比,表明本文提出的算法的推荐性能要优于BPR算法。（2）提出一种基于商品内容和用户行为反馈的BPR算法(EBPRCB)电商数据中存在丰富的用户行为反馈信息,这些信息包含了用户的潜在偏好,BPR模型只考虑到用户对互动过的商品和未互动过的商品之间的相对偏好,没有考虑用户对互动过的商品之间的相对偏好,这种相对偏好假设过于严厉,用户偏好反映程度过低。本文对用户的相对偏好假设重新定义,通过熵权法和序关系分析法获取用户行为权重,并引入时间衰减因子建立用户偏好模型,通过用户偏好模型计算用户对互动过的商品的偏好分数值,建立用户对互动过的商品之间的相对偏好关系,提出一种基于用户偏好模型增强的BPR算法（EBPR）;本文将基于商品种类和品牌的混合采样方式引入到EBPR模型中,提出一种基于商品内容和用户行为反馈的BPR算法(EBPRCB)。（3）本文算法在京东电商数据上的推荐结果与分析为了证明EBPRCB算法能够很好地应用于电商平台的推荐系统,在京东电商数据集中进行实验,并与相关算法进行各项评价指标实验结果对比,其中与BPR算法相比,Precision@10提升了33%,Recall@10提升了38.8%,MAP@10提升了38.3%。实验结果表明该推荐算法具有较好的推荐性能。