互联网的应用推广以及由此带来的便捷信息传递和信息服务,使电子商务在迅速发展、状大的同时也产生了信息超载现象。用户面对大量的商品信息,想要方便、快捷地找到自己感兴趣的商品成为了一个难题。为了解决这个困境,电子商务的推荐系统便应运而生。电子商务个性化推荐系统的出现,为用户疏通了一个Web商品信息过载的难题,因为推荐系统承担起了识别客户消费兴趣,模拟传统销售人员向客户提供有关商品信息和建议的职责,为客户有效、方便地完成购买过程提供了实际、有效的帮助,从而使网购客户感受个性化服务所带来的快捷、时尚与便利。在众多的推荐技术中,协同过滤推荐技术是目前为止最为成功的个性化推荐技术。但该算法面临的冷启动、稀疏性等技术性问题对协同过滤技术的实效应用产生了影响,许多研究旨在攻克和解决这个问题。本文也对电子商务个性化推荐应用系统中的协同推荐算法,和应用相关的数据挖掘等关键技术,进行了有益的探索性研究。引入了“加权兴趣度”和“事物本体模型”来挖掘用户的兴趣度,提出了基于加权兴趣度的协同过滤推荐算法,使商品推荐能够更加迎合用户的兴趣倾向,并满足用户对商品的个性化需求。论文对所提出的算法进行了相关数据测试,经过实验验证,应用基于加权兴趣度的协同过滤算法在推荐的完整性、精度等方面均优于传统算法,尤其是在项目冷启动、稀疏用户的评价数据集方面表现出了较为良好的推荐性能。