个性化推荐系统是电子商务领域中出现的非常重要的新技术,它的主要作用就是利用电子商务网站向用户提供产品信息和相关建议,帮助用户决定购买什么产品,通过模拟销售人员帮助用户完成购物过程,推荐系统在帮助了客户的同时也会提高顾客对商务活动的满意度。目前国内电子商务网站在这方面的实践处于较简单的阶段,缺乏个性化,推荐方法单一的自动化程度低,虽然个性化推荐系统在电子商务中占有相当重要的地位,但推荐系统还有很多不足。制约推荐系统发展的很大一个因素就是随着产品数量、客户数量、交易数量增加而激增的信息量,由此产生的稀疏性、扩展性、实时性、精确性问题。本文就研究了推荐系统中存在的精确性和智能性问题,通过对推荐系统中规则库的约束和过滤,改进推荐引擎的推荐机制,进而提高推荐系统的精确性和智能性,文章重点研究了CAP算法和FP-Tree算法,对其进行了改进和应用。并且把用这两种算法改进后的个性化推荐系统应用到了保险业中,提出了保险业电子商务的新思路,得到了有实践价值和理论价值的成果。这篇论文是基于对关联规则推荐系统的研究的。研究了基于关联规则的推荐系统及其Apriori算法,以及系统流程中的推荐引擎,剖析了引擎结构,寻找到了规则库这一改进突破点。论证了应用CAP算法和FP-Tree算法进行规则约束的可行性,并应用CAP算法和FP-Tree算法设计了对规则库进行二次过滤的机制,还对改进机制的可行性和正确性设计了合理的实验进行了验证。文章还对系统的实现做出了设计。本文采用了有发展前途的方法解决了当今电子商务领域存在的热点问题。该研究有助于在其他行业中应用电子商务个性化推荐系统,帮助企业提高工作效率、盈利水平和核心竞争力。