随着Internet的普及和应用，电子商务以其成本低廉、便捷、快速、不受时空限制等优点向全世界流行。电子商务为用户提供越来越多选择的同时，其结构也变得更加复杂。一方面，用户面对大量的商品，要找到自己需要的商品变得越来越困难；另一方面，商家也在大量的电子数据中也失去了与消费者的联系。个性化的电子商务推荐系统根据用户行为特征为用户提供一对一的服务，帮助用户找到所需的商品，从而顺利完成购买过程。商家通过推荐系统能提高电子商务系统销售，保持与客户的联系，提高用户忠诚度和满意度。 电子商务推荐系统在各大零售网站中都得到了广泛的应用，但同时也面临一系列的挑战。针对当前电子商务推荐系统面临的问题，本文对电子商务推荐算法以及电子商务推荐系统结构进行了有益的研究和实现。主要的成果如下：1)提出基于特征的关联规则推荐模型(FARM)。电子商务系统事务数据库急速膨胀，导致关联规则频繁项集的挖掘速度下降，进而影响整个推荐系统的实时性。同时，大量冗余、错误规则的产生导致推荐精度下降。本文提出一种基于特征的关联规则推荐模型，商品以特征量表示，减少计算量；基于用户属性挖掘规则，减少错误规则的产生，能有效地提高系统实时性和推荐质量。2、提出基于特征的协同过滤推荐模型(FCFM)。电子商务系统的快速发展也造成用户评分数据极度稀疏，导致传统的协同过滤推荐方法无法提供准确的推荐。本文提出一种基于特征的协同过滤推荐模型，将新商品以特征量表示，计算商品间的相似性，从而预测评分。实验表明，该方法能有效地解决数据稀疏以及新商品无法推荐的问题。3、提出多模型电子商务推荐系统FMRecom。传统的推荐系统只能使用一种推荐模型，一种推荐策略，无法满足用户不同的需求．本文设计并实现的FMRecom推荐系统对多种模型进行统一管理，根据用户所在的页面使用不同的推荐策略。与传统的推荐系统相比，FMRecom系统具有针对性强和推荐质量高的特点，在为用户推荐商品时能满足用户个性化需求，有很好的实际应用价值。