随着经济发展和科学技术进步,互联网数据流量指数级迅猛增长,网上购物的便利性促使一大批电商平台诞生。传统电商系统只对大量品进行集合,用户在购物过程中无法及时、有效、准确地找到感兴趣的商品。应运而生的推荐系统通过捕捉用户行为预测偏好,能显著改善个性化推荐效果、提高用户的购物体验感。现有推荐系统大多是单一利用明确表达用户偏好及程度的显式反馈或者点击、浏览时长等充分记录用户行为踪迹且真实性和数据量更大的隐式反馈数据,而显式反馈与隐式反馈之间的互补关系也有待深入挖掘。如何同时合理利用这两种异构反馈数据,使其相互补充来提高推荐效果,是值得关注的问题。本文主要工作如下:首先,本文分析了推荐系统基本架构、算法以及用户反馈,提出一种同时利用显式与隐式反馈的混合推荐算法。考虑到反馈数据的异构性,采用独立算法分别处理两种行为数据,再将得到的推荐结果列表交叉混合,实现两种反馈的推荐效果互补。其次,为实现对用户反馈的充分利用,在对隐式负反馈处理时,本文加入用户未点击物品与已点击物品的最大相似度来影响置信度计算,相比已有的将所有未点击物品的置信度设为相同值的方法,具有更高的可靠性。最后,本文基于公开的Movielens ml-100k数据集,模拟实际情况增加不同类型的隐式反馈数据,并利用改进后的数据集训练和测试算法模型。实验结果显示,所提混合算法相比于经典算法,能有效提高推荐效果,在基于准确率和召回率的指标F1上有较大提升。