随着Internet的普及,电子商务也因其快捷方便、高效率、低成本等特点有了长足的发展。商务网站的规模不断扩大,结构也变得更加复杂。对于客户来说,面对大量的商品信息,经常无法顺利找到自己需要的商品;对于企业来说,如何有效地提高其网站的吸引力,提升客户服务水平,获取更多的商业效益,都是亟待解决的问题。电子商务推荐系统是解决这一问题的有效手段。本文首先对目前的推荐系统相关理论及关键技术进行了深入的分析和研究,分析了现有推荐系统中存在的问题。建立了一个电子商务推荐系统体系结构,并详细叙述了系统中各个模块的功能、构造以及算法的实现。为了提高个性化推荐系统的准确性,本文提出了基于客户偏好的页面隐式协同过滤算法(CPPICF),着重研究了协同过滤中的客户近邻问题,实现了信息的客观评分,较好地解决了数据的稀疏性问题。针对系统产生的推荐结果偏差,本文设计了推荐算法CRF,并对算法的可用性和有效性进行了评价,增强了客户的满意度,提高了推荐的质量。考虑到CPPICF算法在数据量很大时,运算的效率不高;在推荐结果方面的形式多采用超链接的推荐,个性化不明显。所以,后续的工作一方面是对算法进行改进,将客户浏览页面的时间转化为代表性强、数据量少的模型;另一方面是研究如何结合客户的个人兴趣特点,采用合适的界面形式(如浮动广告等)为客户提供推荐,以提高个性化程度。