在互联网时代大背景下,每天都有大量的数据产生,不同的用户拥有着个性化的需求差异。如何在海量数据中挖掘出用户的需求偏好,并依此向用户进行高效而精准的个性化推荐一直是推荐算法所追求的目标。但由于用户个性化信息难以获取,用户的兴趣也会实时迁移,因此大数据环境下的个性化精准推荐仍然面临着严峻的挑战。本文首先介绍了推荐系统的预备知识,再依次介绍了后续模型建立所需要的相关理论基础,即:极端梯度提升树（XGBoost）,轻量级的高效梯度提升树（LightGBM）,以及基于Facebook论文中梯度提升树与逻辑斯蒂回归融合模型（GBDT+LR）的改进模型XGBoost+LR融合模型。之后,基于某电商平台数据中用户对商品的点击数据集,分析可能影响用户点击行为的特征因素,通过对不同的数据量级、不同的缺失值填充方法、不同的模型进行对比实验,得出使得模型评价指标达到最优的数据集大小、缺失值填充方法以及模型类别。本文创新点在于:将用户对商品的兴趣度作为集成学习模型的训练数据,根据兴趣度高低进行排序推荐;对部分用户和商品属性信息的缺失现象进行基于行为相似度的个性化填充,经过对比实验,该方法可进一步提升模型性能;特征处理方面新增多个统计类特征,而在最优模型的特征重要性排序中,统计类特征所占据的重要性最大;在模型构建方面,利用XGBoost、LightGBM以及基于GBDT+LR改进后的XGBoost+LR模型对用户的兴趣度进行回归预测,并对各模型输出结果进行对比,选择评价指标表现最优的模型作为本文数据集的最佳推荐算法。最后,经过对模型结果的评价分析,得出结论:基于一万条点击记录,数据中的缺失值经过个性化填充后投入XGBoost模型进行训练,将会得到最优的推荐结果。