随着电子商务在全球区域范围内的覆盖,越来越多的消费者选择通过电商平台购物,个性化推荐方法在电商平台中具有重要作用。但现有的个性化推荐方法存在一些问题:推荐准确率不高、用户兴趣隐私泄露、商品质量不合格。针对个性化推荐中存在的上述问题,本文开展了电子商务中个性化推荐方法的研究,具体创新点如下:(1)针对个性化推荐中的商品质量问题,提出了在完备商品类别决策系统下基于最大混合条件的粗糙约简算法(MTMRA)和在不完备商品类别决策系统下基于重要度优先搜索的粗糙约简算法(IPSRA)。粗糙决策分析方法是利用粗糙集理论对商品数据库进行分类,粗糙集理论无需数据源的先验知识,只依赖数据本身,可以处理不完备信息并从中发现隐含的知识,在不影响分类精度的情况下解决问题,保证商品质量。在仿真实验中,采用支持向量机的基分类器对算法准确率进行评估,验证了所提算法具有较高的分类准确率。(2)针对个性化推荐中的隐私保护问题,提出了基于BT的隐私词过滤算法(TDFA)。首先,根据字典树构建算法(BT)构建隐私字典树;然后,将兴趣词在字典树中进行隐私词检索与过滤;最后根据用户反馈信息更新隐私字典树。TDFA算法能对用户兴趣数据库中隐私信息进行过滤,降低隐私泄露的风险,实现用户隐私保护。通过仿真实验验证了 TDFA算法在保护用户兴趣隐私的同时,还可以有效地缩短运行时间。(3)针对个性化推荐的实时性问题,结合IPSRA和TTDFA算法,提出了基于商品质保和隐私保护的最近时间内容推荐算法(imp-kTCRA)。首先,根据用户动作和用户浏览时间构造产品偏好程度和时间权重函数,根据函数获得用户可能感兴趣的top-N个兴趣模型;然后,根据产品好评率和产品月销量构造产品重要度函数;最后,根据用户与产品相似度函数以及产品重要度函数构造产品推荐度函数。imp-kTCRA算法对用户兴趣进行动态更新,保证推荐商品的实时动态变化。通过仿真实验验证了imp-kTCRA算法具有较高的实时性和推荐准确率。