在当今这个信息时代,网络已进入千家万户,信息技术更是日新月异。电子商务系统已逐渐成熟并不断地为用户提供更多的服务,但是其结构也变得更加复杂。用户经常会迷失在商品信息的汪洋大海中,无法顺利找到自己需要的商品。于是电子商务个性化推荐系统在这种情况下应运而生,它可以在电子商务平台上根据用户的资料与行为向用户推荐商品,帮助用户找到所需商品,从而顺利完成购买过程。从电子商务的数据库中可以收集到大量的用户数据,如用户交易数据,用户注册数据、用户评分评价数据、用户投票数据等;同时,服务器中也保存着用户访问电子商务系统的日志数据、用户购物车信息等,这些数据中蕴含着丰富的知识,通过数据挖掘技术对用户行为和用户属性进行学习,可获取有价值的知识,根据得到的知识产生推荐。论文研究了当前电子商务个性化推荐的主流技术——协同过滤技术,对该算法中影响推荐质量的稀疏性问题和扩展性问题进行了深入分析,引入了聚类算法对协同过滤算法进行改进。论文对所研究的改进算法进行了仿真实验,经过实验验证,改进算法的推荐准确性比传统算法的推荐准确性高,特别是在稀疏的用户评价数据集上体现出了良好的推荐性能。论文设计了一个电子商务个性化系统框架,完成了通用流程,为现实的电子商务个性化系统提供了一种参考方案。