产品营销经过了很多年的发展,目前在产品推荐上也形成了较为成熟的办法,一般来说有智能检索、用户相似性及定时推送。但对于产品来说,其推荐方法过于陈旧,还没有进行适当的更新优化。目前只是基于用户的历史偏好来进行推荐,而没有考虑到用户行为会对产品选择带来影响。用户对产品的喜好会根据用户行为的变化而改变,这就需要对该变化进行快速的响应,找到新的匹配产品从而满足用户新的需求喜好,但目前来看,还存在较大的不足,现在的推荐明显滞后。为了解决上述的问题,必须要建立新的推荐方法,基于用户的动态行为而进行实时更新的推荐。首先要对用户的操作进行全程监控,对用户新的产品需求和点击其他产品等行为都要及时收集整理,从而对用户的需求进行最新的判断,并将结果推送给用户,这样的推荐才能解决滞后的问题,才能具备时效性。而且,对于产品关联规则计算的评分也要进行明确的细化,这才能让计算相似性时更加准确,对结果再进行筛选,得到的数据信息才更加可靠。首先对数据挖掘理论、推荐算法的改建及工作理念、开发语言等本文涉及的技术和理论展开探讨,发掘各项理论和技术组合的可能,为搭建基于关联规则的产品营销系统打下基础。继而基于当前关联规则算法在推荐系统中应用的不足之处,从FP-growth算法及并行关联规则方式的角度提出改进意见,并且构建推荐模型,继而对改进后的模型进行对比验证,以证明模型性能的优越性。目前的数据采集模块利用它们来将用户的各种行为信息进行存储。在产品关联推荐的发展方面,通过计算并筛选计算结果,可以让推荐更加符合用户的喜好,可靠性得到加强。前端显示页面的设计,便是基于响应式的布局来进行的,这也可以让响应的时间缩短,提高效率。最后对系统实现与测试。本系统的运行建立在对Java平台应用的基础上完成产品实时推荐,分析测试结果发现,本系统有能力以较高的速率、可靠性和稳定性完成产品的推荐,推荐的相关评价指标均有较大的提升。