随着信息技术的不断发展,电子商务带来的经济效益和社会效益越来越大。不少传统行业都采用了这种新的商业模式。推荐技术伴随着这种趋势应运而生,并且以其在搜索以及电子商务等领域所带来的良好效果越来越为人们所熟知。　　 目前,推荐技术作为Web智能等研究领域的重要研究内容,已经成为科学研究人员的研究热点。本文针对其中的协同过滤推荐技术和目标营销统一框架模型进行了研究。主要工作为:　　 1.协同过滤以其所带来的良好效果使其成为目前应用最为广泛的推荐技术。但是由于其本身的算法特点和现有的相似度计算方法使其面对现实世界中广泛的稀疏数据时有一定的缺点。针对这一问题,本文借鉴条件熵、互信息等与熵相关的多种重要度量方法来描述产品间的相关关系。基于此,构建了基于熵的协同过滤推荐模型。实验表明本文提出的方法在稀疏数据中是有效的。　　 2.从目标营销统一框架模型中,可以看出面向顾客的目标营销系统、面向产品的目标营销系统以及四个子模型为目标营销提供了多数据源中多侧面的分析。模型的构建以及其基本算法的设计都以市场值函数为基础。面对当今电子商务领域越来越多的多级评分形式的数据,该统一框架模型下还缺乏好的市场值函数模型。针对这一问题,本文对目标营销统一框架模型下的市场值函数进行了改进,将评分数据充分利用了起来,使得高评分项中的属性值对于市场值贡献更大。　　 总之,本文从熵和市场值函数两个角度出发研究了推荐系统算法。采用了多种评价方法来从不同的侧面反映了基于熵的统一框架模型的推荐效果;同时为目标营销统一框架模型提供了多种合适的评价方法,进一步完善了该模型。