在互联网快速发展的浪潮中，整个社会都在向数字化经济转型，一个具有新思维的崭新行业横空出世——电子商务。电子商务极大的丰富了消费者与商家的选择，为消费者和商家之间提供了可以跨越时空的媒介方式。至此,新消费模式大门对世界打开，海量的信息喷发中涌入消费者的眼帘。为了帮助消费者过滤这些海量信息，推荐系统进入大家视野。它一方面服务消费者过滤非必需的信息，一方面个帮助商家获得更大的曝光，成为了新时代的互联网重要技术手段。但消息内容的生产与商家的高速发展带来了新问题：推荐性能与冷启动。如何借助用户的大数据解决这些问题，就成为了新的突破口。本文将以用户历史行为数据为研究对象，分析并归纳用户偏好习惯，最后对用户行为进行预测，以改善推荐性能和推荐冷启动两方面问题。
　　在提高推荐系统性能方面，本文通过分析用户在电商平台上的周期性操作记录，进行用户行为特征提取，建立用户行为偏好模型，挖掘用户潜在需求，使用真实线上电商数据进行仿真实验，在准确率、召回率和F-measure值3个方面，与传统推荐算法进行比较，证明本文算法效果优于现有推荐算法。
　　在缓解推荐系统冷启动方面，为了应对新用户的数据稀疏性问题，本文首先着眼于现有用户数据，提炼行为特征，建立偏好模型，根据用户相似性，利用子空间聚类算法对老用户进行聚类，再通过贝叶斯进行新用户行为预测，达到缓解冷启动的目的。基于真实电商数据的仿真实验表明，本文算法能相较于传统算法能准确描述新用户特征，提高了推荐的准确度。