随着Internet的迅速发展和普及,电子商务正在以难以置信的速度蓬勃发展,电子商务的发展无论是对企业还是对用户都带来了巨大的影响。企业可以通过电子商务平台拓展自己的业务,宣传自己的商品,增加盈利水平;用户可以在足不出户的情况下,只要点击鼠标,就能购买到自己所需的产品和服务。随着企业竞争日益激烈,人们普遍地追求差异化,电子商务开始向个性化服务方向发展。但是,当前的个性化服务工具存在不能向用户提供及时、准确的信息,不能根据用户兴趣的变化做出推荐信息的及时调整,需要用户过多的参与等缺陷。针对这些问题,本文引入了点击流技术,用以改变目前个性化服务中存在的缺陷。本文首先介绍国内外电子商务个性化服务的现状,发现目前个性化服务中存在的不足,然后描述点击流的相关理论及其在个性化服务中的优势。点击流数据中主要是web日志文件,因此本文主要对用户的web日志进行数据挖掘,发现用户的兴趣偏好和浏览习惯。其次本文在综述了模糊聚类的研究情况后,针对FCM算法的不足,提出SDWFCM算法,包括对模糊C均值聚类算法的初始化、距离函数进行改进。针对模糊C均值聚类算法对数据集进行等划分及容易受到噪声点影响的问题,利用样本点密度作为权值,根据web数据本身的分布特性,避免FCM算法对数据进行等划分的趋势,提高了算法的抗噪性能。最后通过对各个参数进行改进,并通过数据进行仿真,验证改进算法的可行性和有效性。用该改进算法对用户访问行为进行聚类分析,挖掘用户的兴趣模型,分析用户的个性化需求。本文使用matlab编程实现改进的算法,通过多次仿真分析出改进后算法性能稳定,在噪声环境下抗干扰能力较好,更加适合web数据特征。