近年来,电子商务得到了飞速的发展,越来越多的电子商务系统为用户提供更多选择的同时,也经常使用户迷失在大量的商品信息中,很难快速找到自已需要的商品。电子商务推荐系统直接与用户交互,模拟商店销售人员向用户提供商品推荐,帮助用户找到所需商品,从而顺利完成购买过程。随着电子商务系统规模的进一步扩大,电子商务推荐系统也面临一系列问题,如:数据稀疏性、系统可扩展性、冷启动等问题,针对这些问题,本文对电子商务推荐算法进行了有益的探索和研究,并提出了相应的解决办法。针对传统算法中用户对商品评价信息的稀疏性及由此带来的推荐质量低等问题,提出了分析服务器日志的方法,将用户浏览或购买商品过程中所表现出对商品兴趣度的隐性信息根据一定的算法将其转化为用户对该商品的显性评分数值,这些评价信息作为协同过滤算法的数据依据,对算法推荐结果准确性的提高起到了很大的作用。针对传统算法中因为数据量的增加导致算法在线处理数据效率低的问题,本文提出了利用用户聚类的方法将具有相似兴趣的用户划分到同一个聚类中,此项工作可以离线进行,当向一个目标用户进行推荐时只需要在和其兴趣度最相似的聚类中寻找其邻居,然后根据邻居的兴趣向目标用户推荐其最有可能感兴趣的商品,此方法可大大节省算法在线处理数据的时间,从而提高了协同过滤算法的推荐效率。最后,对本文提出的改进算法进行了实验,得到实验数据,从而验证了改进算法的合理性和有效性。