在零售领域,传统的商业模式已经无法满足用户的需求,因此,一种新型的商业模式-电子商务就产生了,人们的购物习惯逐渐向互联网转变。然而,随着电子商务的快速发展,各类信息层出不穷,用户无法从中快速获取到感兴趣的信息。对于各类购物平台,商家也无法获取用户的偏好并为其提供个性化推荐服务。因此,如何利用推荐系统从海量的商品数据中发现有用的信息成为一个重要的课题。当前大多数算法主要利用用户对物品的行为进行推荐,普遍存在矩阵稀疏、推荐精度较低的问题。针对这些问题,本文提出了以下几点改进:（1）针对传统算法存在矩阵稀疏和冷启动的问题,研究并提出了融合商品特征的协同过滤推荐算法。首先,采用方差分析法、互信息法等来进行商品特征的选择;其次,基于Word2vec模型构建商品特征向量,计算基于商品特征的相似度矩阵;最后,优化传统协同过滤算法计算商品相似度的方式,将基于商品特征与基于协同过滤的相似度矩阵线性结合。实验结果表明,改进算法一定程度提高了推荐结果的准确率和召回率。（2）针对传统推荐算法存在利用辅助信息的不充分问题,研究并提出了基于神经网络的特征融合推荐模型。首先,使用独热编码构建特征向量;其次,利用神经网络嵌入层得到低维稠密的特征表示;最后,构建特征融合推荐模型,以用户特征矩阵和项目特征矩阵的乘积表示用户对项目的预测评分。实验结果表明,提出模型在均方误差、均方根误差和平均绝对误差等评价指标上均有所提高。（3）设计并实现了新零售企业商品智能推荐系统,为用户提供智能推荐服务。综上,本文主要研究了融合商品特征和基于神经网络的推荐算法,并设计实现了基于上述算法的推荐系统,为用户提供个性化推荐服务,提高了用户满意度。