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。电子商务中的商品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，商品推荐系统能有效留住客户、防止客户流失，提高电子商务企业的销售力及竞争力。 商品推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。 目前，虽然电子商务中的商品推荐系统在理论和实践中都得到了很大发展，但是随着电子商务系统规模的进一步扩大，商品推荐系统也面临一系列挑战。针对商品推荐系统所面临的主要挑战，本文在以下三个方面对电子商务推荐系统进行了有益的探索和研究。 第一，给出了基于Web挖掘的推荐系统框架。传统的协同过滤推荐很难为非注册用户提供高质量的推荐。针对传统的协同过滤推荐存在的不足，本课题重点研究基于Web挖掘的推荐系统框架。对Web使用数据、Web内容数据和Web结构数据进行聚类分析，推荐引擎根据挖掘结果向用户提供有效的推荐服务。相对于传统协同过滤推荐技术而言，基于Web挖掘的推荐系统框架不需要用户提供主观的评价信息，因此用户使用起来比较方便。 第二，给出了适合本系统使用的新的推荐算法。针对电子商务推荐系统面临的实时性挑战，本课题从Web挖掘的角度设计了新的推荐算法。该算法利用Web挖掘的结果，分别得出基于Web使用特征、Web内容特征和Web结构特征的推荐集，对推荐集进行最大化合并，得出最终推荐结果。 第三，提出了支持多推荐模型的电子商务推荐系统的推荐引擎框架。目前大部分的电子商务推荐系统都是一个单一的工具，只能提供一种推荐模型。本课题探讨多推荐模型电子商务推荐系统的推荐引擎，用以支持多种推荐模型。