因特网以惊人的速度发展着，它对人们生活的各个方面产生了深远的影响，改变了人们通信交流、获取信息、进行商业活动等等的方式。当今，电子商务已经成为因特网一个非常有前景的应用领域。随着电子商务的快速发展，各种各样的商品充斥在购物网站上。在数以百万计的商品中，面临的选择令人眼花缭乱，以至于用户越来越难以选择他们感兴趣的商品。在此背景下，推荐系统应运而生。推荐系统可以为每个特定的消费者列出一系列推荐产品，以帮助他们快速地找到可能感兴趣的商品。为此，研究人员已经提出了许多种推荐技术，其中，协同过滤是最成功的推荐算法，它已经被广泛应用于许多不同的应用中，但是存在的一些不足之处有待改进。本文的主要工作如下：1、本文使用矩阵分块和最小堆的方法对协同过滤算法中最近邻集合的查找过程进行了研究和改进，降低了对内存空间的需求。2、本文使用组合式数据填充的方式对协同过滤算法中使用的初始用户评论数据矩阵进行填充，以解决两种传统的协同过滤算法中均存在的“数据稀疏性”问题。通过引入一个权重因子，将两种算法组合起来，提出了一种基于用户和物品的加权型混合协同过滤算法，融合两者的优势，使得系统产生的推荐结果比较新颖又能够对产生的推荐结果做出比较合理的解释。3、本文使用MovieLens数据集进行实验分析，结果表明加权型混合协同过滤算法计算所得的平均绝对误差小于基于用户的协同过滤算法和基于物品的协同过滤算法计算所得的平均绝对误差，这就说明该加权型混合协同过滤算法在一定程度上提高了推荐结果的准确度，并且其覆盖率和多样性也比较令人满意。4、本文利用提出的加权型混合协同过滤算法设计了一个电子商务推荐系统，并使用DIV、CSS、Spring和Hibernate等技术框架，开发出一个网上购物商城，实现该系统中的主要功能，并应用了设计的电子商务推荐系统。