很多传统零售企业受电子商务的发展的影响,在线下实体零售的基础上利用网上商店和个性化推荐技术尝试新的零售经营模式。协同过滤推荐算法（CFR）是推荐算法中出现最早也是最常用的算法,在电子商务中经常被用于个性化推荐。但协同过滤推荐算法在使用上存在的一些问题和零售企业经营特点,导致该推荐算法应用在零售企业推荐系统中存在数据稀疏、推荐准确率低、算法运行成本高的问题,影响到推荐系统的整体推荐效率。因此,需要对算法进行改进,以弥其应用在零售企业推荐系统中的缺陷。本文以零售企业中的连锁超市为例,结合连锁超市经营环境及特点,针对协同过滤推荐算法的三个推荐步骤的改进进行了研究,提出了一种基于线上线下用户行为和时间影响的三支决策协同过滤推荐算法（UBT-TWDCFR）。研究考虑零售行业经营环境特点,分别对协同过滤推荐算法的构建“用户-商品”矩阵、寻找最近邻以及推荐决策三个推荐环节进行改进。该算法在构建“用户-商品”评分矩阵中,结合用户显隐式行为以及评论情感特征,重新构建评分矩阵;在计算用户之间的相似程度时,使用时间衰减函数作为时间权重来衡量用户喜好随时间推移导致的购买倾向的偏差。在推荐决策中使用三支决策作为决策策略。本文在实验部分使用XX超市两个月的经营数据,带入UBTTWDCFR改进算法的推荐流程,计算出基于实际经营数据的个性化推荐结果。然后将UBT-TWDCFR模型的推荐结果与CFR、C-CFR以及T-CFR推荐算法进行对比,从推荐结果的质量上检验算法的改进效果。本文从四种算法在矩阵数据稀疏度、RMSE、准确率以及推荐成本上的表现情况逐一进行对比分析。实验结果显示,改进度UBT-TWDCFR算法在降低算法中矩阵稀疏性、提升推荐算法准确性上有明显效果,也在一定范围内减少了算法的推荐成本。上述结果证明了经改进的UBT-TWDCFR算法在协同过滤推荐算法的基础上提高了推荐效率,降低了算法数据的缺失问题,提高了推荐结果的准确性。