二十一世纪以来,随着互联网和电子商务的迅速发展,海量的商品信息逐渐成为了网络消费者购买商品的一个制约,因此而建立在海量的数据挖掘上的个性化推荐系统得以迅速发展,不仅很多电商平台都采用了个性化智能推荐系统,同时个性化推荐系统也逐渐成为了学术界研究的热点问题。准确的推荐可以有效解决用户网购时面临的信息过载问题,同时也能促进平台商品的销售,基于协同过滤的个性化推荐算法和基于内容的个性化推荐算法是目前个性化推荐的两个主要研究思路,同时基于用户历史行为数据的隐式反馈的推荐算法也被广泛研究。本文首先介绍了个性化推荐研究中的几种主要的经典算法,然后分析了现有阶段关于用户行为的个性化推荐研究的不足,对基于用户历史行为的个性化推荐进行了相关研究。研究中针对智能化电商平台的需求,从用户的历史行为数据分析出发,通过分析用户行为习惯、挖掘用户的商品属性偏好,构建了基于用户行为数据分析的算法模型。通过研究主要实现了基于长期用户历史行为的用户分类,基于历史交互信息的商品品牌偏好体系构建,基于用户购买和用户浏览行为的商品属性偏好体系构建,基于用户近期浏览的购买意向预测,实现了对用户近期的购买需求预测以及意向商品推荐。最后通过实验数据对预测模型进行了验证,表明了推荐算法的可行性以及尚待完善的方向。