近年来，随着电子商务的飞速发展，网络购物已成为人们日常生活的重要组成部分。消费者在线购买商品的过程就是对网站提供的各种信息的消费过程，网页上过多的展示信息增加了消费者的选择难度。为了解决网站“信息过载”问题，推荐系统在各大电商网站中得到广泛应用。然而目前应用最广泛、效果最好的协调过滤推荐算法依然面临着数据稀疏以及冷启动等问题。与此同时，随着网络购物的快速普及，电商网站的用户访问记录数据也已累积到一定的规模。在这样的背景下，本文从用户浏览访问路径和路径各节点上存在的信息因素的角度出发，研究如何将案例推理思想融合到个性化推荐系统中。通过Markov 分析与序列比对算法挖掘局部相似路径片段，在此基础上向用户推荐感兴趣的商品和信息，从而增大用户购买商品的可能性以及提高店铺的购买转化率，这对个人和商家都具有一定的现实意义。　　首先，本文立足于信息消费行为研究了网站信息对用户购买意图的影响因素。在阅读梳理国内外有关在线购买意图相关文献的基础上，从网站信息内容、信息价值与信息体验三个维度探讨了在线购买意图的影响因素，建立了在线购买意图影响因素框架模型，并应用 Meta分析对55篇实证研究文献进行系统性分析，得到网站信息内容、信息价值与信息体验对用户购买意图的正向影响。根据网站信息内容确定用户访问路径节点中需考虑的信息因素，并提出了各因素的量化方法。对路径节点采用八元组的表示方法，建立了用户访问路径-节点信息模型，结合案例的知识表示方法，构建了基于用户访问路径及节点信息的路径案例库。　　其次，针对如何发掘访问频率较高的访问模式问题，结合用户网页浏览的特点，考虑Markov转移概率矩阵对用户访问路径中的所有网页进行频繁项挖掘分析，利用正向转移概率矩阵与逆向转移概率矩阵分别挖掘出正向频繁访问序列及逆向频繁访问序列，通过将两者合并得到最终筛选后的用户访问路径案例库，并将其作为下一步推荐算法的输入。　　最后，利用Smith-Waterman算法设计目标路径案例与案例库中已存在路径案例之间的比对匹配规则，根据路径节点间的信息因素，计算节点间的相似性，将目标路径案例与已存在的路径案例进行比对，寻找出局部最优相似片段。根据局部相似片段的后续项设计推荐项的推荐度值，对目标用户下一步的访问行为进行推荐。然后通过与路径案例库未过滤的Smith-Waterman算法进行比较，结果表明，本文提出的推荐方法在推荐准确率、召回率及F1-measure值上均有一定的提高，验证了本文推荐方法的有效性。