随着移动互联网的飞速发展,电子商务数据出现爆炸式增长,人们面临着越来越严重的"信息过载"问题。"信息过载"是指人们无法从海量的数据中快速准确的定位到自己所需要的信息,从而对用户的互联网行为决策造成巨大的干扰。个性化推荐系统是电子商务系统中解决这一问题的关键技术,个性化推荐系统是一种基于用户历史购买、评价行为挖掘技术的推荐系统,其目的是方便用户对互联网信息筛选,它可以预测用户的偏好,并为用户的购买决策提供有效的建议。如何有效的将用户的历史评价信息与推荐技术结合是推荐系统的重要问题。通过大量深入阅读国内外个性化推荐系统的相关文献,发现主流基于用户对项目评价的推荐算法限制较多、并且随着用户偏好的变化推荐准确率随之降低。针对个体用户评价行为出现的问题,提出一种基于关联规则的思想,从用户历史评价数据中挖掘出用户群组偏好的聚合行为来表达用户的评价行为画像,以该评价行为画像作为用户评分的上下文环境,从而降低推荐系统对用户个体偏好转移的敏感性。在此基础上,为了获得更好的用户偏好预测效果,引入隐马尔可夫模型(Hidden Markov Model,HMM)对离散的评价行为画像进行模拟。将用户的评价序列作为观测符号、用户群组聚合三元评价画像的图模型作为隐含状态建立HMM模型,以高斯混合模型(Gaussian Mixture Model,GMM)描述HMM的混淆矩阵,从而将用户观测符号与用户的评价聚合关系图建立关联。通过对评分聚合行为画像的预测,解码出用户下一时刻概率最大的项目及评分从而生成用户的商品或信息推荐。这一模型大大提高了商品推荐的准确率,并且能够随着用户偏好的转移准确的生成相应的信息推荐,具有较强的鲁棒性。实验结果表明基于HMM的推荐算法在准确率和召回率以及推荐效率上都具有较好的性能。