推荐技术具有强大的营销优势,它可以向消费者提供商品和信息的建议,模拟销售人员帮助客户完成购买决策过程,为商场提供有效的营销决策支持。对于线上营销来说,用户在网络上的各种行为都是弥足珍贵的数据,本文就是基于用户行为数据进行分析预测,最终向用户推荐用户感兴趣的商品,这对于商业营销决策有很大的指导意义。首先,针对原始用户行为数据转化为评分数据时评分计算不合理的问题,提出引入行为权重进行商品评分的调整。用户行为和行为频率都能够反映用户对某个商品的喜好,因此从用户行为矩阵和用户行为频率矩阵两个方面考虑并通过加权的方式构建用户对商品的评分矩阵。其次,针对用户-商品评分矩阵稀疏性的问题,提出利用径向基神经网络(Radial Basis Neural Network,RBF-NN)的非线性逼近能力来预测填充稀疏评分矩阵中的空缺项。径向基神经网络是利用目标用户的邻居用户的评分数据训练网络模型,再结合目标用户的自身评分数据得到缺失评分的计算结果。再次,针对选择邻居用户集时存在用户选择范围过大、用户兴趣不一致的问题,提出采用自组织映射神经网络(Self-Organizing-Map,SOM)聚类算法对用户进行聚类,SOM聚类可找出兴趣相对一致的用户。另外针对修正余弦计算用户间相似度不准确的问题,提出了采用灰色关联分析(Grey Relational Analysis,GRA)代替以往修正余弦(AdjustedCosine)的方法计算用户相似度,灰色关联分析通过计算用户评分向量间的关联程度来计算用户间的相似度。最后,按照邻居用户集里用户对待推荐商品的评分和用户间相似度,计算目标用户对待推荐商品的预测评分。将预测评分高的Top-N个商品推荐给目标用户。并通过推荐实验结果对比,验证结合GRA的基于RBFNN和SOM聚类改进的混合推荐算法的推荐效果。