Web2.0时代，电子商务得到飞速的发展。但是随着电子商务发展不可避免的带来了“信息超载”问题，解决这一问题的方法就是使用个性化推荐系统。电子商务个性化推荐系统（Personalized Recommendation Systems for E-Commerce）是利用电子商务网站向客户提供信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。优质的个性化推荐系统带来了巨大的经济价值和社会价值的同时，也能提高电子商务网站在当今激烈的市场竞争环境下的存活能力。本文详细介绍了个性化推荐系统中常用的几种推荐算法如：协同过滤推荐算法、基于内容的推荐算法、基于网格的推荐算法等，并一一介绍和分析它们的优缺点，其中协同过滤推荐算法是当今存在最久且使用最广的推荐算法。针对传统的协同过滤推荐算法中存在的问题：相似性计算中并没有考虑单个用户兴趣点之间的差异、用户间共同评分项目过少对相似性计算结果带来的偏差以及新项目问题，提出了相应的改进算法。在改进的协同过滤算法中，使用在一定程度上反映出单个用户兴趣点差异的项目相关性去修正Pearson系数，然后将这个修正的Pearson系数与用户共同评分的条件概率进行相乘，得到最终的相似性结果。对于新项目问题，在基于项目的协同过滤推荐算法基础上通过项目相关性的计算来修正原来的基于项目的协同过滤推荐算法对于新项目无法获取最邻项目集这一问题。然后在MovieLens数据集中验证这个改进的协同过滤算法和新项目问题解决方案，通过与传统的协同过滤推荐算法比较精确度得出了改进的协同过滤推荐算法的确提高了推荐结果的精度，此外，通过计算新项目问题的解决方案在MovieLens数据集中的MAE值得出该解决方案能在一定程度上解决新项目问题，从而得出本文提出的该解决方案是有效、可行的。最后将这个改进的协同过滤推荐算法使用在一个团购平台项目中，介绍了相应的推荐模块的设计和实现，最终达到实用的目的。