为便于人们购物，实现购物的多元化，对基于用户兴趣的购买行为预测被认为是解决人们所喜好的购物需求的重要途径。

随着网络的普及，网络资源不断丰富，网络信息量不断膨胀，用户要从众多的选择当中选出自己真正需要的信息非常困难，出现了所谓的信息过载现象。基于用户的兴趣的预测就是为了解决这些信息过载的问题，帮助用户在繁多的产品中找到自己需要购买的产品。

个性化推荐是购买行为预测的一种应用，能够给用户的日常生活带来一个极大的便利。个性化推荐的目标是根据具有相似偏好的用户的观点，为个人或者特定群体提供个性化服务。了解用户偏好对推荐系统的优化至关重要，而为了提供自然的推荐服务，我们必须对用户的偏好以及他们的行为模式有足够的了解。

然而根据现有的兴趣模型依旧存在着许多问题等待着去完善，比如用户兴趣的转变，用户兴趣的衰减程度，收集到的信息过于冗余等。所以我们应该在基于用户的兴趣模型的模型下，之后再在此模型下进行优化，优化其用户行为和兴趣的关联，筛选数，完善模型的构建。

1.1国内外的研究现状分析

随着互联网的发展和日益增长的信息和个体有限处理能力的矛盾，为用户提供个性化的购买行为预测日益受到用户的青睐，受到越来越多的学者的关注。

消费者行为既受到各种需要、认知学习、态度等心理年龄和年龄、生活方式、自我形象、个性等个人因素的影响，也受到家庭、社会阶级和文化因素的影响。

近年来基于用户兴趣的模型预测广泛发展，首先有比如基于贝叶斯的用户兴趣模型贝叶斯预测模型是运用贝叶斯统计进行的一种预测. 贝叶斯统计不同于一般的统计方法,其不仅利用模型信息和数据信息，而且充分利用先验信息。

贝叶斯(ThomasBayes)的统计预测方法是一种以动态模型为研究对象的时间序列预测方法。在做统计推断时，一般模式是： 先验信息 总体分布信息 样本信息→后验分布信息。贝叶斯网络基于概率和统计统计决策分析适合描叙领域内的非线性关系。

基于本体内的用户兴趣预测，徐琳，魏芳等提出两种基本思路，第一种用一个本体表示用户的兴趣模型构建；第二种用本体论中概念描叙用户的兴趣模型。之后还有基于马尔科夫链的用户模型等。