自从2013年诞生起,网络货运平台就凭借其独特的“互联网+物流”模式备受业界与学术界的关注。它通过强大的资源整合能力,解决了以往传统“货找人”模式中信息不对称的问题,一定程度上解决了过去我国运力资源交易市场上物流成本高、物流效率低的问题。随着网络货运平台的发展以及平台上用户规模的增加,同时智慧物流的爆发式增长对物流各环节的自动化、精细化提出要求,当前平台的运力资源匹配机制已无法满足车货双方需求,导致承运人空载率居高不下以致收入水平得不到明显提升,也给托运方带来了更高的物流成本和更低的效率。针对以上问题,本文综合考虑了车辆利用率与用户相关性等指标特征对于推荐模型的影响,提出一种网络货运平台运力资源智能推荐模型,实现货运双方的降本增效,提高用户满意度。本文主要进行了以下研究工作:（1）首先通过文献归纳和实地调研,明确网络货运平台当前匹配机制存在的问题和平台用户属性分析,在此基础上结合前人研究成果,构建了用户效益指标体系,并给出各用户效益指标的涵义以及具体量化方法;（2）对于车货双方相关性这一用户效益指标,本文引入了新的量化方法:利用协同过滤的思想,计算车主与车主的相似度以及货主与货主的相似度,分别构建车主与货主的兴趣模型,并针对算法时间复杂度和数据稀疏性问题,提出了图模型与协同过滤模型结果后融合的方案以计算用户相关性;（3）机器学习模型训练阶段,根据LR逻辑回归模型不能很好处理连续型特征的缺点,提出了GBDT+LR融合方案,并给出推荐算法的评测指标;并采取网络货运平台W的部分数据+模拟构建算例,进一步验证模型的有效性和稳定性,并根据预测结果进行分析。