电子商务环境包括多方之间利用电子技术进行的所有在线活动和业务运营，随着互联网和电子商务网站的巨大发展，当消费者选择他们所需物资和商品时，他们面临着严重的数据重载问题。因此许多网站研究和项目都专注于推荐系统的研发，以向用户提供更多的个性化推荐服务。　　推荐系统已经成为许多电子商务巨头的重要工具，用于帮助他们的顾客更快捷便利地找到自己心仪的产品。它就像推销员一样向用户提供建议和服务，帮助他们找到需要的商品和其它感兴趣的东西。　　然而，随着推荐服务的广泛使用，一些问题和挑战也随之而来，比如实时推荐、信息缺乏、冷启动问题和建议质量。因此目前推荐系统的正常工作和优势仍然受一些问题的其影响;如有限的内容分析，过度专业化，先令攻击，多样性与长尾和可扩展性的问题。　　为了解决这些问题，我们建立了基于混合推荐技术结合数据挖掘中聚类技术的新模型推荐系统，为着克服缺点点，并提供满足各类用户兴趣和需求的最好推荐结果与优势。　　本研究课题的目的是在全球电子商务网站创建全新的推荐系统服务模型，优化推荐系统。　　在该模型中，最有效的数据源都被整合，提高了推荐系统的准确性，也向客户端提供更直观的分类浏览界面。　　我们的主要服务推荐系统有五个功能可以概括为以下几点:基于搜索数据的标识:推荐系统生成的搜索引擎的数据，搜索历史记录，点击url。然后使用与用户配置文件信息模型的搜索数据，提供用户根据这些生成推荐结果搜索数据。我们已经提出和应用一种改进的优质STC(后缀树聚类)算法结合用户兴趣的概要文件来执行搜索推荐服务。　　基于评级信息的标识:生成评价项目，并使用该模型的评级信息，项目信息和用户配置文件数据提供推荐结果。我们使用邻居聚类方法分类支持向量机(SVM)分类佑的评级数据，以提供用户高级质量推荐基于他们的评级信息和类似的用户评分数据。　　新项目推荐:对于它们没有什么可评价数据的新项目，购买信息，甚至项目详细的功能，系统采用基于内容的模型来分析新项目的输入特征和相似度评分项目提供推荐，我们提出了一个新的聚类技术解决冷启动问题存在于当前的推荐系统。　　新用户推荐:系统中两种类型的用户:用户注册到网站，用户有一个帐户没有任何评级或购买数据，第二种是有购买的活跃用户，额定甚至搜索日志。推荐系统使用新的用户配置文件数据模型分析和度量与活跃用户的相似性并提供实时推荐。　　推荐基于位置:系统分析用户数据，包括他的网络IP和用户配置文件来确定他的位置，然后使用用户的位置识别数据根据同一位置的用户数据，以提供消费者最感兴趣的项目。　　由店主或网站管理的热释放:系统提供了一些推荐，如热释放物品，折扣促销，批发价格,…等。根据管理员或系统算法，店主有权管理和控制这部分的推荐结果;为了提高电子商务网站的业务策略。　　我们新的推荐系统的模型属于利用数据挖掘中的聚类技术高度考虑推荐质量，实时推荐结果，并为问题，如冷启动等问题提出了解决方案的完整个性化推荐系统。这使得我们的系统有适应性和可扩展的推荐系统。　　当用户浏览网站时，数据源会自动进行整合，分门别类地把每个物品安排到一个新的浏览推荐界面。　　这种模型的优势在于灵活高效地帮助用户找到他们真正感兴趣的东西，也解决了当前推荐系统存在的一些问题。　　数据挖掘技术和聚类算法已经被提出并应用到实现该模型的构想中，并且使用了多重交叉验证技术评估新模型推荐系统的有效性和准确率。网站选.NET框架环境工具为实现应用程序。用ORACLE进行数据库管理。