随着互联网的普及和电子商务的发展,电子商务系统在为用户提供越来越多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互,模拟商店销售人员向用户提供商品推荐,帮助用户找到所需商品,从而顺利完成购买过程。在日趋激烈的竞争环境下,电子商务推荐系统能有效保留用户、防止用户流失,提高电子商务系统的销售。电子商务推荐系统在理论和实践上都得到了很大发展,特别是推荐方法的研究是其核心部分,采用哪种推荐方法对于推荐系统的效果和效率至关重要。推荐方法包括:知识工程、基于内容的推荐方法、协同过滤推荐方法、混合推荐方法、数据挖掘方法。目前协同过滤方法是最成功的推荐方法。电子商务系统规模的日益扩大,协同过滤推荐方法也面临诸多挑战:推荐质量、扩展性、数据稀疏性、冷启动问题等等。本文对电子商务推荐系统中推荐算法设计进行了有益的探索和研究。本文的研究内容主要包括电子商务推荐算法推荐质量和“冷启动”研究。本文的主要研究成果如下:1.提出了一种基于项目类别属性的项目相似性计算方法,因为在大型电子商务系统中,用户评分数据极端稀疏,传统的相似性度量方法是在整个用户空间上度量项目之间的相似性,没有考虑项目所属类别对项目相似性的影响,因而计算结果不够准确,本文提出的类别相似性度量算法首先运用模糊聚类技术对用户进行聚类,将单个用户对项目的评分转化为用户相似群体对项目的评分,构造密集的用户模糊簇—项目的评分矩阵,并结合项目自身的类别属性特征对项目相似性计算的影响最终完成项目相似性的计算,将结果保存在数据库中,这一步可采用离线周期的进行,不会影响推荐系统的实时性,实验结果表明,项目类别属性对相似性准确度的计算有很大的影响。2.对用户最近邻居的搜索方法进行了改进,首先采用新型的项目相似性计算方法,利用Item-Based协同过滤推荐算法,对目标用户未评分的项目进行初步预测评分,以降低数据的稀疏性,提高用户评分矩阵的数据密度;另外考虑到用户本身存在多兴趣的问题,因此在计算目标用户对目标项目的最终预测评分时,目标用户邻居用户的选择与待预测的项目的类别属性有关,即:改变传统的在整个项目空间上计算用户相似性,而是把项目空间缩小到待预测项目邻居集合的空间上来计算用户相似性,这样不仅提高了用户相似性计算的准确度,而且对整个项目空间进行了有效的降维,提高了算法的推荐精度,以提高用户最终预测评分的准确性。通过实验验证本文提出方法的正确性和有效性。