随着Internet 的普及与电子商务的快速发展,许多著名的电子商务网站都开发了推荐系统对顾客进行个性化信息推荐服务。电子商务推荐系统是电子商务网站用来向顾客提供商品信息和建议,并模拟商店销售人员帮助顾客顺利完成购买过程。电子商务推荐系统在理论和实践上都得到了很大发展,特别是推荐方法的研究是其核心部分,采用哪种推荐方法对于推荐系统的效果和效率至关重要。推荐方法包括:知识工程、基于内容的推荐方法、协同过滤推荐方法、混合推荐方法、数据挖掘方法。现在协同过滤方法是最成功的推荐方法。电子商务系统规模的日益扩大,协同过滤推荐方法也面临诸多挑战:推荐质量、可扩展性、数据稀疏性、冷开始问题等等。本文对电子商务推荐系统进行了深入地研究,详尽分析了协同过滤算法所面临的挑战,在此基础上,提出了User-based 协同过滤推荐算法的改进算法。该算法首先离线预计算项目之间的相似度,结果保存在数据库中;其次在用户的邻居形成阶段,我们不仅考虑了用户之间的关联,而且利用预计算项目间相似性来预测用户间评分并集中未评分的项目的相似度;最后根据用户最近邻居集合预测对每个项目的评分,产生推荐给目标用户。本文通过开发的实验测试系统对改进的协同过滤算法进行了测试,验证了改进算法的合理性和有效性,从而可以有效解决用户评分数据极端稀疏情况下传统方法存在的不足,有效地提高了电子商务推荐算法的推荐质量。