随着互联网的迅速发展,电子商务市场的规模不断扩大,使得各种商品不胜枚举,用户面对海量的商品,无法迅速找到满意的商品,致使用户对电子商务网站的满意度降低。这一系列问题的产生,促进了电子商务推荐系统的发展。电子商务推荐系统在与用户的互动过程中,运用统计和知识发现等技术为用户推荐可能感兴趣的商品,具有智能化、个性化等特点。经过多年的发展,电子商务推荐系统已经得到广泛应用,许多大型的电子商务网站都不同程度的引进了推荐系统并取得良好的成效。但是,随着用户人数和商品数量急剧增加,推荐的准确度和实时性难以满足用户日益增长的需求,因此,本文对推荐系统中存在的问题进行分析并提出相应的解决方案,在此基础上设计并实现了一种电子商务推荐模型。本文主要工作包括:(1)改进设计出了基于用户和商品相似性的Slope One推荐算法。传统的Slope One算法和一些改进的Slope One算法都将用户和商品同等对待,没有区分出不同的用户和商品对预测评分的影响。针对这个问题本文提出了基于用户与商品相似性的Slope One算法,实验证明该算法可以有效提高Slope One算法的推荐准确度。(2)改进设计出了基于评分预测与矩阵分解的协同过滤算法。由于电子商务网站中用户和商品数量暴增,推荐系统在线计算量迅速增大,使得推荐系统无法在短时间内提供质量较高的推荐。此外,用户通常只为少量的商品评分,造成用户评分矩阵稀疏,仅根据少量数据来做出评分预测可靠性不高。针对这些问题本文提出了基于评分预测与矩阵分解的协同过滤算法,该算法首先利用Slope One算法对用户-项目评分矩阵进行填充,降低一定程度的稀疏性,再使用SVD技术对矩阵降维,并根据降维后的矩阵使用k-means聚类算法对用户进行聚类,最后对目标用户进行预测推荐。此外,还对用户相似性计算进行了改进,在原有基于用户评分相似度的基础上,加入了用户属性相似度,经实验证明,该算法不但能够降低在线计算量,还具有较理想的推荐质量。(3)设计并实现了一种电子商务推荐模型。对电子商务推荐模型进行总体设计,并针对具体的模块进行详细设计,最后详细阐述了推荐模型的具体实现过程并完成相应的功能测试。