随着我国市场经济的发展，以及加入WTO后市场竞争的加剧，商品销售企业面临前所未有的挑战。在客户市场趋子饱和的前提下，如何保持和完善客户关系、提升客户价值成为企业关注的焦点。在此背景下，交叉销售作为一种主动向客户推荐相关商品的销售方式，被企业广泛采用。在进行交叉销售过程中，面临着如何为客户进行商品推荐的问题，不适当的商品推荐，不仅起不到方便客户、提高效率的作用，而且还很容易引起客户的反感，导致客户的流失。当前，销售企业在进行商品推荐时普遍采用的是基于关联规则的推荐模型，该模型不能针对不同客户进行个性化推荐，同时推荐的客户满意率也不高，针对这个问题，本文进行了个性化推荐模型的研究，主要研究工作如下。　　 论文对数据挖掘及其中的关联规则及分类方法进行了研究。对于关联规则，重点分析了FP-树频集算法，并就算法的执行效率进行了FP-树频集算法和Apriori算法的对比实验。对于分类，讨论了常用分类方法的优缺点，在此基础上重点分析了决策树方法中的C4.5算法，并就分类准确率进行了C4.5算法和ID3算法的对比实验。根据销售行业的数据环境，利用关联规则及分类方法，给出了一种个性化推荐模型，分析了模型的基本思想，设计了模型的整体构架，并对模型进行了描述，最后通过一个实例说明模型的原理。结合保险行业实际的销售数据，给出了保险销售个性化推荐模型建立的过程，并使用测试数据对模型的推荐性能进行了测试，测试结果验证了个性化推荐模型的有效性。　　 本文所给出的个性化推荐模型相比传统的推荐模型具有明显的优势，克服了传统关联规则推荐模型中不能针对不同类型客户进行个性化推荐的缺陷，同时还可以挖掘出更深层次的潜在推荐规则，并且在有效的保证了客户满意率的基础上，大幅提高了挖掘出的推荐规则数量，更有利于提高企业的效益。