随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。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。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。 推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到越了来越多研究者的关注。 电子商务推荐系统在理论和实践中都得到了很大发展。但是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挑战。针对电子商务推荐系统面临的主要挑战，本文对电子商务推荐系统中推荐算法设计以及推荐系统体系结构等关键技术进行了有益的探索和研究。本文的研究内容主要包括电子商务推荐系统推荐质量研究，电子商务推荐系统实时性研究，基于Web挖掘的推荐系统研究以及电子商务推荐系统体系结构研究。 本文的主要研究成果如下： 1)．提出了基于项评分预测的IRPRec协同过滤推荐算法。在大型电子商务系统中，用户评分数据的极端稀疏，导致推荐系统的推荐质量急剧下降。针对用户评分数据的极端稀疏性，本文提出了基于项评分预测的IRPRec协同过滤推荐算法，通过计算项之间的相似性，初步预测用户对未评分项的评分，然后采用一种新颖的相似性度量方法计算用户的最近邻居。实验结果表明，基于项评分预测的IRPRec协同过滤推荐算法可以显著提高推荐系统的推荐质量。 2)．提出了基于项聚类的ICRec协同过滤推荐算法。在大型电子商务系统中，推荐系统同时用户提供实时推荐服务越来越困难。针对电子商务推荐系统面临的实时性挑战，本文提出了基于项聚类的ICRec协同过滤推荐算法，通过用户对项评分的相似性对项进行聚类，然后选择与目标项相似性最高的若干个聚类作为查询空间搜索目标项的最近邻居。实验结果表明，基于项聚类的ICRec协同过滤推荐算法可以有效提高推荐系统的实时响应速度。 3)．给出了基于Web挖掘的推荐系统框架。传统的协同过滤推荐很难为非注册用户提供高质量的推荐。针对传统的协同过滤推荐存在的上述不足，本文提出了基于Web挖掘的推荐系统框架。对Web使用数据，Web内容数据和Web结构数据进行聚类分析，推荐引擎根据挖掘结果向用户提供有效的推荐服务。相对于传统协同过滤推荐技术而言，基于Web挖掘的推荐系统框架不需要用户提供主 摘 少观的评价信息，因此用户使用起来比较方便。 4）．提出了多推荐模型电子商务推荐系统体系结构，设计并实现了一个多推荐模型电子商务推荐系统原型ECMner。目前大部分的电子商务推荐系统都是一个单一的工具，只能提供一种推荐模型。本文提出的多推荐模型电子商务推荐系统支持多种推荐模型并对所有推荐模型进行统一管理，从而能有效满足大型电子商务系统不同场合的不同推荐需求。在电子商务推荐系统原型ECMner中，提供了关联规则推荐模型、热门销售推荐模型和协同过滤推荐模型三种推荐模型。