互联网的普及和电子商务的迅速发展造成了信息的过载,用户在大量的产品信息中难以找到需要的商品,因此电子商务推荐系统应运而生。但当前的电子商务推荐系统在实际运用中还相当不成熟,仍然存在许多问题,如推荐质量受到稀疏的用户评价数据的严重影响,系统的可扩展性能差,推荐缺乏多样性无法涵盖用户的完整兴趣等。论文针对这些当前推荐系统中存在的主要问题,对电子商务个性化推荐系统中的推荐策略和推荐算法等关键技术进行了有益的探索和研究。在推荐策略研究方面,论文分析了当前的电子商务系统在不同场合不同情况下所需使用的不同类型的推荐策略。针对销售频繁购买商品的电子商务系统,分析了此类系统的推荐需求,提出了应用于此类电子商务系统的具体推荐策略,即产生满足推荐准确性和新颖性的主top-N推荐列表,产生满足推荐完整性和多样性的副top-N推荐列表,产生增加新商品受关注力度的新加入商品列表,产生最近最畅销商品排行榜。在推荐算法设计方面,论文研究了当前个性化推荐的主流技术——协同过滤。对该算法中影响推荐质量的稀疏性问题和影响用户满意度的推荐完整性问题进行了深入分析,引入了“概念分层”和“社区过滤”技术对协同过滤算法进行改进,设计出了能够实现论文所提出的推荐策略的改进算法。针对协同过滤算法中的稀疏性问题,论文利用“概念分层”的思想,建立起基于项目种类概念层次树的用户兴趣模型来发现项目间隐含的联系,以缓解用户-项目评估矩阵中用户评价数据的稀疏程度,帮助用户找到准确的邻居得到更准确的推荐。针对算法中存在的推荐完整性问题,论文引入“社区过滤”技术,将用户兴趣按项目种类进行划分,形成不同“社区”,向用户产生不同“社区”上的推荐,以满足用户了解不同商品种类的需求,使推荐充分体现用户的完整兴趣。对论文提出的改进算法进行了仿真实验,经过实验验证,基于概念分层的协同过滤改进算法在推荐的准确性、完整性、多样性等方面均优于传统算法,特别是在稀疏的用户评价数据集上体现出了良好的推荐性能。