随着电子商务的蓬勃发展,服装类商品对电子商务平台的依赖越来越明显。然而面临诸多资源,消费者很难挑选出合适的衣服,大多数服装的订购仍然处于“以人凑衣”的状态。为满足用户对个性的追求和自我意识的展现,在线的服装定制系统应运而生。目前国内的服装在线定制系统的发展仍处于起步阶段,定制模式较为单一,定制效率有待提高,无法充分体现定制系统的个性化服务功能。随着系统规模的扩大,商品的数量类型越来越丰富,用户在定制过程中也会面临信息过载带来的选择问题,因此在定制过程中提供个性化的推荐服务是本文研究的重点。当前针对电商环境下的服装推荐研究较少,服装商品推荐面临着品类众多,实验繁杂,推荐精度难以提升等问题,对此本文研究了应用最广的协同过滤算法,提出了针对服装商品的协同过滤,主要工作如下:(1)针对传统协同过滤算法中数据稀疏,精度不够以及相似度计算方法在某些情况下无法反映出用户真实相似性的问题,提出一种改进的基于信任度的协同过滤算法ATUCF。引入信任的概念,根据用户间的共同评分数量以及各自的评分项目个数计算信任因子,保证用户间非对称的信任关系。改进信任度的计算方式,更加凸显用户间的信任关系,最终融合信任因子准确地计算出最近邻居集。对比算法验证了ATUCF的准确性和有效性。(2)针对电商环境下服装类推荐精度不够,覆盖低,难以挖掘用户潜在兴趣等问题,提出一种融合用户偏好信任的服装推荐算法PCUCF。通过文献研究、服装数据采集以及专家知识总结,分析建立服装属性库。利用中文自然语言处理技术提取服装商品的属性,去除非属性库内的噪声信息。基于用户-属性评分矩阵建立用户对服装的偏好模型,计算正向偏好和负向偏好的差值作为偏好信任度。最终引入权重参数融合评分信任度和偏好信任度,选取用户最近邻居集并产生服装推荐列表。实验结果表明不仅算法在准确性上有提高,在挖掘用户潜在兴趣方面也有着良好的效果。(3)针对目前服装定制模式单一化,效率低等问题,研究并实现一个融入推荐功能的服装个性化定制系统。对用户的个性化服装定制进行深入具体的需求分析,确定系统的总体设计和各个功能模块,将本文提出的服装协同过滤推荐算法应用到系统中,完成系统的开发和功能的验证。