随着智能算法的快速发展,其在推荐系统中扮演的角色也越来越重要,智能推荐算法已经成为一个非常活跃的前沿性研究课题。和传统的推荐算法相比较,智能推荐算法具有个性化、精准性等独特优势,时下比较流行的“摩拜单车”就用到了许多的智能推荐算法。智能推荐算法的应用研究越来越深入,其在电子商务系统应用中存在的一些不足慢慢的被揭示出来,一方面,顾客不能快速准确的搜索到自己喜欢的商品;另一方面,推荐系统推荐给顾客的商品往往不是顾客最喜欢的。针对推荐算法存在的不足,本文基于改进的Apriori算法提出了一种智能推荐系统解决方案,目的是为了可以及时、准确的为顾客提供高质量的个性化推荐服务。首先,为了达到上文的目的,本文在Apriori算法的基础上提出了一种基于事务删减的BQ-Apriori算法,并且建立起了对应的算法模型,该算法模型是建立在真实的农产品交易系统基础上的。论文最终通过仿真实验,对改进后的算法进行了验证和分析,进一步证明了改进后的算法在处理相关问题的可靠性和准确性。其次,论文通过先验知识的基本理论,对算法的初始数据集进行处理,设计出了本文算法的基本结构,利用算法的基本性质,构造出了一种基于事务删减型的、运行效率相对提高的新型的关联规则算法。该算法借助Apriori算法的主要思想,通对其算法思想的深入理解,删除了对算法执行结果没有影响的单一项数的事务,紧接着利用先验知识构造出了顾客感兴趣集合,把与兴趣集合相关的事务项作为研究点,剔除了与结果无关紧要的事务项,这样一来,算法扫描的数据库集数量大大减少,使得算法的时间复杂度大大降低。最后,在算法的应用研究和模型的分析方面。本文将真实的农产品交易系统中的数据作为实验数据,着重探讨了基于事务删减的BQ-Apriori算法的具体实现方式,对农产品交易系统的订单商品信息进行关联分析,得出商品之间的关联关系。然后通过SOM神经网络对农产品交易系统中的会员进行等级分类,并将分类后的结果和商品关联分析结果结合起来应用到混合推荐系统中去。最终,建立起来了一种混合的推荐系统模型。