随着“互联网+”时代的到来,以淘宝为代表的电子商务平台迅速兴起。近几年,电子商务平台服装网购销售额占比处于各类商品网购销售额占比的第一位。服装网购平台在销售的过程中产生了海量的用户、服装数据,推荐算法可以从海量数据中提取关键信息,为用户进行服装推荐。然而,传统的服装推荐算法渐渐不能满足人们日益增长的个性化服装穿戴的需要。服装推荐系统内的数据按照数据类型将数据分为显式数据和隐式数据,设计两种数据类型相结合的推荐算法,可以有效解决服装信息超载问题,提高服装推荐准确率,提升系统对于用户数据的利用率,满足用户个性化穿戴需求。显式数据与隐式数据相结合的服装推荐算法将用户的显式反馈和隐式反馈转化为显式数据和隐式数据,结合基于用户的协同过滤推荐算法为用户进行服装推荐。其中,数据预处理部分,显式数据采用用户偏好的色彩、风格数据,隐式数据采用用户购买记录、浏览记录数据;多种数据类型矩阵计算部分,提取数据库中的数据构建用户特征向量和评分矩阵;矩阵处理部分,由于用户、服装数据量大,用户-服装矩阵维度过高,需要进行降维,得到特征矩阵,使用优化后的Pearson相似性计算方法进行用户相似度计算,得到初始推荐结果;推荐列表处理部分,对初始推荐结果进行数据加工,处理后的数据按照TOP-N排序算法进行排序,推荐出前10个服装作为最终推荐结果。在研究显式数据的过程中,提出了一种色彩聚类算法,以专家收集的服装流行色为基础色例,计算出聚类中心,形成用户色彩库,供用户反馈其喜好色彩。本文设计了显式数据与隐式数据相结合的服装推荐原型系统,并通过实验证明了两种数据类型推荐算法的优势。原型系统采用springcloud微服务架构对原型系统进行开发,使用python编写实验代码并进行验证。在对显式数据与隐式数据相结合的服装推荐算法进行的试验中,实验结果表明,基于显式数据(用户评分)推荐算法F1值为0.284,基于隐式数据(购买记录)的推荐算法F1值为0.265,而本文提出的两种数据相结合的推荐算法的F1值为0.321。