随着计算机技术的发展和应用，电子商务网站蓬勃发展，网上信息迅速增长，从而导致“信息过载”和“信息迷失”现象，对于用户来说，要在海量信息中寻找自己感兴趣的商品信息已经成为一件困难且昂贵的事情。因此，个性化推荐系统应运而生。个性化推荐技术通过分析网络用户的相关信息，实时、主动地为网络用户推荐符合其需求的产品信息和服务信息，这样，一方面，可以更好地满足用户的个性化需求，另一方面，有利于商家建立稳定的客户群、提高服务质量，从而提高企业的市场竞争力。　　在个性化推荐中，协同过滤是当前最成功的推荐技术，已经成功的运用于许多商业的推荐系统中。尽管协同过滤可以为网络用户产生有效推荐，但是，协同过滤在实际的应用中存在数据稀疏性、可扩展性和冷启动的问题。本文通过分析个性化推荐模型的国内外研究成果和实际应用环境,研究基于网络用户信息行为的个性化推荐模型，主要的研究内容有:　　(1)网络用户信息行为的获取。主要是网络用户在电子商务网站对于产品相关信息的检索行为、浏览行为,以及网络用户在电子商务网站实际发生的购买行为的相关数据,通过对这些数据的分析来预测用户的偏好。　　(2)基于项目与用户组合的协同过滤算法。本文对基于项目的协同过滤算法和基于用户的协同过滤算法分别进行论述,分析这两种算法存在的缺点,采用基于项目和用户组合的协同过滤算法来过滤产品,解决一般协同过滤的稀疏性问题和扩展性问题。　　(3)构建协同过滤算法和基于项目和用户组合的协同过滤算法的对照模型,利用对照模型来评价新构建的模型是否有效。使用Movielens站点提供的测试数据集,分析平均绝对误差、平均绝对误差的标准差和平均预测时间三项指标,表明新构建模型能提供更为准确和实时的推荐结果。　　本文探讨网络用户信息行为的基本问题,研究个性化推荐技术的相关内容,在网络用户信息的基础上创建个性化推荐模型,为网络用户提供更加准确、高效、便捷的信息化服务,使得网络用户和服务的提供者相互尊重、相互信赖,为电子商务个性化推荐的研究提供了一种新的思路。