随着信息产业飞速发展,人们网上购物越来越多,信息过载问题随之产生,尤其是电商领域。推荐系统产生不仅可以提高用户购物体验,同时能够增加商家收益,达到双赢目的。针对用户基本数据中性别缺失严重并且带有性别标签的样本存在类别不平衡、评论等级数据稀疏以及相似性计算量过大等问题,本文对电商购物平台的用户行为数据进行分析,提出一种面向不平衡与稀疏数据的商品推荐模型。本文主要工作内容如下:1.针对电商平台用户基本数据中性别缺失严重、带有性别标签的样本存在类别不平衡等问题,本文提出一种SMOTE_RF的性别预测方法。该方法首先利用SMOTE算法处理性别标签样本不平衡的问题,得到性别标签平衡的数据;然后利用随机森林模型进行训练;最后利用训练好的模型对缺失性别标签的样本进行预测。通过采用不同的模型分别对原始数据、随机过采样均衡化处理的数据、SMOTE采样均衡化处理的数据进行实验对比,结果分析表明经过SMOTE采样后利用随机森林模型进行性别预测的F1值最高,说明本文提出方法的有效性。2.针对电商平台中用户-商品评论等级数据稀疏性的问题,本文提出一种动态交叉填充DCF方法。该方法首先将用户基本信息与点击行为进行关联,通过关联后的数据计算用户相似性,利用商品信息数据计算商品相似性;然后,每次将二者中相似性最大的添加到集合中并降序排序,依次按照集合中大于设定阈值的相似性进行动态交叉填充;最后,基于上步填充的数据重复上述过程进行动态交叉填充,缓解数据的稀疏程度,为基于商品的推荐模型构建提供良好的实验数据。3.针对推荐过程中相似性计算量过大的问题,本文提出利用一种改进的P_KMeans聚类算法来减小相似性计算量,提高推荐效率。基于此,构建本文的推荐模型。首先利用改进的P_KMeans算法对填充后用户-商品评论等级数据按照商品进行聚类;然后只对同一簇中样本进行相似性计算;最后结合性别因素,将与该商品的相似度大于设定阈值的商品进行推荐。实验结果进一步表明本文所提面向不平衡与稀疏数据的推荐模型效率以及准确度更高。