互联网的普及和电子商务的迅速发展造成了信息的过载,用户在大量的产品信息中难以找到需要的商品,因此电子商务推荐系统应运而生。但当前的电子商务推荐系统在实际运用中还相当不成熟,仍然存在许多问题,如推荐质量受到稀疏用户评价数据的严重影响、对非注册用户的推荐效果不佳等。论文针对当前推荐系统中存在的主要问题,对电子商务个性化推荐系统中的推荐策略和推荐算法等关键技术进行了分析和研究。本文首先对电子商务推荐技术的相关理论进行了介绍,选取了基于Web数据挖掘的电子商务推荐系统体系结构,该结构分为离线挖掘和在线推荐两部分,并对两个模块的功能、构造以及算法的实现进行了分析。针对离线挖掘模块中运用到的传统的协同过滤推荐算法存在的影响推荐质量的稀疏性问题和影响用户兴趣的显式评分问题,设计了一种基于用户偏好的隐式协同过滤算法(UPCF)。最后,对论文提出的UPCF算法进行了仿真实验,经过实验验证,基于用户偏好的隐式协同过滤改进算法在数据稀疏性等方面均优于传统算法。