近年来,电商平台的迅猛发展引领了大众消费方式的升级变革,使得购物方式更加便捷化,但电商平台在方便购物的同时,同样也存在一些问题:一方面,由于电子商务网络平台上的商品种类多、数量大,当用户面临网络平台上的海量产品,往往很难迅速发现心怡的产品。另一方面,电商平台也想为用户提供个性化的商品推荐,提升用户体验,方便用户的同时提高“成单率”。推荐算法作为一种计算机算法,可以通过一些数学方法,推测出用户喜欢的商品,用户在平台的各种行为,时刻影响着最终的推荐结果。但是,单一的推荐算法在实际的应用过程中对使用场景要求比较高,有着很大的局限性,针对这一问题,可以采用混合式推荐算法来解决。因此,本文基于用户行为的混合式推荐算法研究具有重要意义。本文采用一种混合推荐算法进行商品推荐,具体采用何种推荐算法可根据系统评分矩阵的稀疏程度进行判断。当系统评分矩阵较为稠密时,本文提出了一种基于时间因子的商品推荐算法,旨在提高商品推荐的准确率。该算法分为两个阶段,第一阶段为预测评分阶段,将时间因子融入用户相似度计算以及物品相似度计算,建立评分预测模型,得到用户特征矩阵以及商品特征矩阵。第二阶段为推荐列表生成阶段,结合第一阶段的用户特征矩阵和商品特征矩阵,基于用户的历史记录,使用用户评分数据作为权重进行加权,得到商品推荐列表。最后采用阿里云天池大赛数据集对推荐算法的召回率、平均绝对误差等指标进行评测,以验证本算法的可行性和有效性。在系统评分矩阵较为稀疏时,本文提出了基于用户兴趣度的商品推荐算法,来缓解系统的冷启动问题,提高推荐算法准确率。首先对系统日志以及数据库数据进行分析,建立用户行为分析模块;接着使用用户商品评价及问题回答等文本信息,对其进行情感分析,得到用户对于商品的情感偏好,建立用户情感分析模块;最后采用加权的方式,得到用户对于商品的兴趣度,使其对评分矩阵进行填充,进一步得到用户的特征矩阵、商品特征矩阵以及预测评分矩阵,从而得到商品推荐列表。通过实验,在召回率以及平均绝对误差等相关指标下,验证了本算法的有效性。两种算法的切换阈值可在系统后台进行设定,可以根据系统运行状况进行动态调整。最后,在上述所提算法的基础上,进一步实现了基于用户行为的混合式商品推荐系统的主要功能模块,并对各个模块的主要功能进行测试,测试结果表明,该系统具有较强的实用性。