在大数据驱动下人工智能发展的今天,大数据的冗余增加了我们获取关键信息的成本,推荐系统已经成为用户获取关键信息的有效途径之一。生鲜农产品平台解决了城镇居民日常生活对生鲜蔬果的需求问题,然而随着生鲜农产品平台的不断发展,用户从众多平台中找到目标商家难度增大。因此本文基于社区用户环境搭建了一个农产品电商推荐系统,通过挖掘社区用户行为关系来提高农产品商家的推荐准确度。本论文通过对粒子群算法的研究改进,采用微服务技术框架结合推荐算法完成了系统的设计与实现。主要研究重点有以下几个方面:(1)从农副产品电商功能和用户生活场景着手,剖析了多家农副产品电商平台交易模式,比较了传统协同过滤推荐算法存在的问题如冷启动、数据稀疏等,构建了基于社区用户位置和用户购买偏好的农产品交易推荐模型。该模型通过用户距离相似度,用户购买偏好相似度,商家星评相似度形成组合推荐得到最近邻集合,PSO算法将得到的最近邻集合作为初始化粒子群。在PSO算法中,粒子间通过不断共享自己当前位置的个体极值,快速地搜索到全局极值。将全局极值转化为遗传算法的初始种群,发挥遗传算法的全局收敛能力,并且利用遗传算法的交叉和变异能力,弥补了粒子群算法容易陷入局部最优的缺点,充分地展现了基于优化粒子群算法推荐模型的优势。通过将MAE和Precision中的两个测试指标与传统推荐模型的指标对比,验证了改进后推荐模型的准确度,达到了本论文的预期目标。(2)在农产品电商推荐系统技术实现层面采用B/S三层体系架构与SpringBoot+Dubbo微服务开发框架作为推荐系统的整体架构,前端技术JavaScript+jQuery技术,MySQL数据库,Nginx+Tomcat服务器完成了农产品电商推荐系统的设计,同时实现了农产品商家的推荐功能。本论文提出了一种基于优化粒子群算法的农产品推荐模型,实现了农副产品商家对用户的个性化推荐。为了验证推荐模型的准确度,搭建了一个农产品电商推荐系统,设计了满足市场需求的电商推荐架构,完整地实现了前端服务功能与后台管理功能。