Los estudios existentes han hecho un gran esfuerzo en predecir los posibles intereses de los usuarios en los elementos mediante la modelización de las preferencias de los usuarios y las características de los elementos. Como un indicador importante de la satisfacción y lealtad de los usuarios, el comportamiento de compra repetida es una perspectiva prometedora para extraer información perspicaz para el comercio electrónico comunitario. Sin embargo, los comportamientos de compra repetida de los usuarios aún no han sido estudiados a fondo. Para llenar esta brecha de investigación desde la perspectiva del comportamiento de compra repetida y mejorar el proceso de generación de elementos recomendados candidatos, esta investigación propuso un enfoque novedoso llamado ReRec (Recomendador de Compra Repetida) para aplicaciones en la vida real. Específicamente, el enfoque ReRec propuesto consta de dos componentes: el primero es modelar los comportamientos de compra repetida de diferentes tipos de usuarios y el segundo es recomendar elementos a los usuarios en función de sus comportamientos de compra repetida de diferentes tipos. Se realizaron experimentos extensos en un conjunto de datos reales recopilados de una plataforma de comercio electrónico comunitario, y el rendimiento de nuestro modelo ha mejorado al menos un 13.6% en comparación con las técnicas de vanguardia en la recomendación de elementos en línea (medido por la medida F). Específicamente, para los usuarios activos, con y, los resultados de ReRec muestran una mejora significativa (al menos del 50%) en la recomendación. Con y como 0.75 y 0.2284, respectivamente, el ReRec propuesto para usuarios inactivos también es superior (al menos 13.6%) a los indicadores de evaluación del CF de elementos tradicionales cuando. Hasta donde sabemos, este documento es el primero en estudiar recomendaciones en el comercio electrónico comunitario.