近年来，电子商务在全球经济中发挥了越来越重要的作用。而在众多的电子商务模式中，企业对消费者(B2C)模式越来越显示出其的巨大潜力。随着互联网的不断发展，网络上的信息量也在急剧增加。传统对于电子商务的研究，往往只注重于提高电子商务网站的转化率，简化支付流程，增加电子网站的产品信息，提升电子商务网络的响应速度等。但是大多数对电子商务的研究都忽略了一个最根本的问题-那就是用户本身对于电子商务网站所提供的产品，服务等的了解程度。大而全的产品目录，纷繁复杂的产品页面，对于电子商务网站用户来说，很快就会发现自己已经陷入了无边无际的“信息海洋”，而无法有效地获取自己所需产品信息，最终导致交易无法有效地进行。　　 本文针对电子商务环境下的这一问题，分析了个性化推荐技术对于电子商务网站的重要性，对比了目前广泛使用的各类个性化推荐技术，在此基础上，采用了一种混合推荐技术，来实现个性化的电子商务推荐服务。综合起来，本文所做的主要工作有以下几点：　　 (1)分析研究了Web使用挖掘所需要的源数据的缺失问题，提出了一种模式恢复算法，用于恢复缺失的点击流数据，从而为更进一步的挖掘提供可靠数据。　　 (2)将K-means聚类算法和Logistic回归算法应用于个性化电子商务推荐服务中，实现了基于用户信息和基于产品信息的聚类预测，从而产生了初步的推荐结果。　　 (3)使用信息融合的方法，对初步的推荐结果进行整合，从而实现了一种基于混合推荐技术的个性化推荐服务，取得了良好的推荐效果。　　 本文研究工作主要的创新点在于：　　 (1)使用访问足迹图可视化用户的点击流数据，使得用户的兴趣模型可以更容易和快速地被检测；　　 (2)综合对比了当今应用的各类主流推荐技术，在此基础上采用了更加适合电子商务环境的个性化推荐技术。