伴随着电子商务用户规模的爆发式增长,电子商务成为促进经济增长的新动力。立足于电子商务平台中,基于不同消费群体具有异质性的特点,对电子商务的用户类型特征进行深入的研究与划分,有十分重要的意义。在这一研究背景下,本文站在复杂网络的角度,将电子商务用户代入复杂网络中,重点对社会化电子商务平台的用户类型进行识别研究,具体从以下三个方面进行研究与实践检验:（1）引入密度峰值聚类算法进行用户类型识别研究。针对原始密度峰值聚类算法的不足,结合社会化电商网络用户特点进行算法的改进,包括在算法初始阶段改进对密度指标的选择,将用户节点之间的关系采用距离测量的方式体现;在聚类阶段引入近邻KNN方法,找到样本的峰值密度;在社区划分阶段基于用户标签传播的分配方式,进行剩余节点的分配,最后完成用户类型划分。并且进行算法性能测试后,表明本章算法的F-Measure值较原始的DPC算法提高了14.06%,准确度上具有相当的优势。（2）引入复杂网络同步理论中经典的Kuramoto模型,根据社会化电子商务用户网络特性具有交互的特点,对原始的Kuramoto模型进行算法的优化,获得Kuramoto最近邻模型,并且以用户行为的相似度进行测量,选取相似节点,对其进行耦合作用,更换相位。以人工数据集和淘宝电子商务数据集作为算法的仿真数据集,进行算法性能测试及用户类型识别。实验结果表明,优化后的模型运行速度更快,聚类效果即簇类划分更明显,更加适用于真实的社会化电商用户网络。（3）对Kuramoto模型的进一步加以优化,依据社会化电商网络中通常存在少数领导者节点影响多数消费者的特性,在原始的Kuramoto模型中设置关键节点的耦合作用,使改变后的模型更加适用于网络形态,并从驱动范围与效果两个方面讨论领导者节点的作用。最后以人工数据集和广告营销—用户网络仿真数据集来讨论优化后模型的适用效果,结果证明加入领导者驱动效果对不同类型的消费者有明显的作用。并且,实验结果表明本章提出的优化的Kuramoto同步聚类算法的运行速度及簇类划分优于原始算法。本文的研究成果及结论能够对用户类型识别相关研究做出补充,并对电子商务的个性化推荐提供可靠支撑,旨在对企业的运营管理、营销策略等方面提供切实可行的工具。