随着互联网的普及和电子商务的发展,电子商务系统为用户提供了越来越多的选择,与此同时它的结构也变得愈加复杂,这就会造成用户在大量的商品信息空间中迷失,无法顺利找到自己想要的商品。于是电子商务推荐系统应运而生,它可以与用户进行交流,从而帮助用户找到他们所需的商品。本文除了对现有的电子商务推荐算法进行总结外还针对用户类型的不同提出了两种基于模型的推荐算法,从而可以适当解决原始推荐系统中的数据稀疏性问题、系统可扩展性问题及冷启动问题。首先,由于支持向量机技术在处理高维稀疏数据分类问题中的优越性能,本文以其为基础分别从基于用户和基于项目两种角度建立了简洁的离线分类模型并指导预测。同时研究了标签阈值的选取以及数据集稀疏度对推荐算法的影响等。实验结果显示该算法准确率较高,能够在一定程度上缓解数据的稀疏性问题。由于要用到大量的用户评分数据,所以该算法适用于具有较多购物记录的老用户。另外该算法只需一次建立模型,之后每次只需调入该模型即可,所以具有一定的可扩展性。其次,由于热门商品的重要性,本文还针对热门商品提出了一种基于用户特征的支持向量机回归推荐算法。算法通过使用热门商品客户群体的个人属性和行为特征数据来构建基于支持向量机的回归模型,从而指导预测用户对商品的评分。该回归算法只针对评分密集的热门商品建模从而有效的克服了数据稀疏性问题。实验与传统协同过滤算法进行了比较,结果显示该方法可以有效降低平均绝对误差,推荐效果显著。模型建立过程中还使用了一种参数优化选择方法,能够明显提高回归效果。另外由于该算法使用的是用户属性及行为特征数据,所以能够在一定程度上解决冷启动问题。其适用于对购物记录较少的新用户进行推荐。最后,本文结合所提的推荐算法给出了推荐系统的原型设计,并给出了整个推荐系统的系统框架、数据存储方式和功能模块图,这种原型可以更好的满足不同类型用户的需求。