随着互联网的不断发展,数据过载问题日益明显,用户很难从海量网络数据中获取自己感兴趣的部分,为了解决这类问题,产生了搜索引擎和推荐系统两种工具,其中推荐系统有着更多的新颖性和主动性,因此更受学术界和企业界的关注。一个好的推荐算法可以根据用户的历史数据,准确地分析出用户偏好,进而产生独一无二的推荐列表。为了直观获取用户喜好,大部分的推荐算法采用显式评分进行分析,但这类数据一般不容易获取并且不能保证真实性,在构建用户-商品评分矩阵时往往会产生较为稀疏的矩阵。实际上,用户在浏览网站时,会产生大量的隐式反馈数据,这些数据能够真实表现出用户的行为轨迹。但隐式反馈数据中存在许多无效或异常数据,在进行推荐时并不能直接的体现出价值,因此不能被很好的利用。针对以上的问题,本文提出了一种基于用户行为的个性化推荐方法,缓解了推荐过程中产生稀疏矩阵的问题,提出了隐式反馈数据转换为显示评分的方法。本文研究的主要内容如下:（1）利用用户隐式反馈数据进行推荐,为了减少异常行为带来的干扰,通过基于规则的方法对数据进行过滤,提取出正常行为。将用户的行为进行量化表示,准确的挖掘出行为和兴趣之间的隐含关系。一般算法会根据行为的重要性,主观的给行为赋予分数,但这种方法比较粗糙,可解释性较差。本文提出了一种衡量用户兴趣度与用户行为关系的模型,使用层次分析法和熵权法对用户行为进行赋权,可以有效的将隐式反馈数据转换为显示评分数据,提高了推荐准确度。（2）由于用户与用户之间具有较大的性格差异,在数据上体现的是用户各行为与购买行为的比例会存在差异,因此本文融入了不同行为的购买率,对转换后的评分数据进行修正,使用协同过滤算法进行推荐能够增大相似用户之间的匹配度,本算法在Spark平台中进行实验,实验结果表明提高了推荐结果的准确度。