随着移动互联网技术和手机应用软件开发技术不断提高,大部分的智能手机用户对移动业务功能有了更高的要求,特别是使用手机进行网上购物的功能,以其快速地传播商品信息,便捷的购物功能,被广大用户喜爱和使用;其次随着互联网信息技术以及电子商务的迅速发展,人类已经逐渐步入信息过载的时代,“庞大臃肿”的电子商务数据导致用户很难及时地获取有效的数据信息,因此本文将个性化推荐技术和电子商务技术进行结合,实现更高效电子商务系统;电子商务个性化推荐系统主要研究工作如下:首先,针对个性化推荐数据进行特征提取效果差问题,本文提出了基于综合权重的TextRank算法,结合使用TF-IDF值、关键词词性、关键词位置、关键词词长等指标数据,利用G1赋权法的规则对关键词进行综合赋权,然后利用基于综合权重的TextRank算法对关键词权重进行迭代运算得出最终的综合权重,有效表示关键词的重要程度,并通过精确率、召回率以及F1_Score均值等指标衡量基于综合权重的TextRank算法、传统的TextRank算法以及TF-IDF算法进行对比,得出基于综合权重的TextRank具有更好的关键词提取效果。其次,针对个性化推荐精度低问题,本文提出基于聚类优化后的协同过滤算法,采用K-means聚类算法对协同过滤推荐算法进行优化,完成系统商品推荐功能,有效解决了网购用户难以从众多商品信息中找优质商品资源问题。基于聚类优化后的协同过滤推荐算法主要通过采集用户兴趣、商品内容、用户对商品评分及购买行为等数据,采用聚类算法对采集的数据样本空间进行聚类,并利用基于用户的协同过滤推荐算法并把相似度最高的用户的商品推荐给用户,并利用评价绝对误差对基于用户协同过滤推荐算法、基于内容的协同过滤推荐算法以及基于聚类优化的协同过滤推荐算法进行对比实验,得出基于聚类优化后的协同过滤推荐算法具有更好的推荐效果。最后,论文采用面向对象的设计方法对系统进行了需求分析和设计,利用Android Studio开发工具,JAVA技术以及SQLite数据库在移动终端上开发功能完善的电子商务系统,系统能实现网上商品交易的诸多常用功能,比如:商品信息查看、商品快捷搜索、热门商品活动、特色商品市场、商品分类、购物车、用户注册登录等,系统数据的稳定性和可靠性好,为广大网购用户提供了更为高效的电子商务系统,改善了网购用户的购物效率。