电子商务规模的迅速增长在给客户带来更多选择机会的同时,也使得客户搜索所需商品的成本越来越高。电子商务推荐系统可以向客户提供商品推荐,帮助客户找到所需商品,满足客户的个性化需求,将电子商务网站的浏览者转变为购买者,通过网站与客户的互动提高客户的忠诚度,从而增加网站的收益。协同过滤是目前电子商务推荐系统中应用最为成功的个性化推荐技术,它具有处理复杂的非结构化对象、个性化程度高等优势。但是,这种推荐技术在实际使用中还存在着一些问题:分析客户偏好的数据源是客户对商品的评价,需要客户主动参与且评价数据带有主观性;在线处理大量数据,效率较低;不能对新客户做出商品推荐;没有考虑客户价值的差异,采用单一的推荐方式。针对以上这些问题,本文引入客户关系管理领域的RFM(Recency时间,Frequency频率,Monetary Value金额)模型和数据挖掘领域的聚类技术,提出一种基于RFM模型与聚类技术的协同过滤推荐方法,对传统的协同过滤推荐进行改进。本文的主要贡献有以下几个方面:设计基于RFM模型的K-均值聚类处理步骤,通过客户的历史交易记录(RFM数据)分析客户的购买偏好,改进传统协同过滤推荐算法的数据来源依赖客户主观评价的问题,提高了算法的推荐质量;通过聚类,缩小最近邻搜索范围,提高了算法的在线执行效率。利用RFM模型能够反映客户价值的特点,识别高价值客户和低价值客户,通过K-均值聚类完成客户细分,针对不同类别的客户设计差异化的推荐方式,将电子商务个性化推荐服务与客户关系管理有机地结合在一起,以有限的成本获得尽可能高的客户忠诚度,提高网站的盈利能力。以模糊C-均值聚类技术为手段,将客户按照属性特征进行模糊聚类,综合聚类隶属度和类的商品推荐对新客户做出推荐,解决传统算法因不能获取新客户偏好信息而无法做出推荐的问题。