随着电子商务的发展和应用，人工智能、web技术和商务模型的集成研究成为一个前沿问题。电子商务网站在为顾客提供越来越多产品或服务信息的同时，也加大了顾客在海量信息中，准确而迅速地找到符合需求的产品信息的难度。个性化推荐技术通过分析顾客相关信息，实时、主动地为顾客推荐符合其偏好的产品或服务，一方面，更好地满足顾客的个性化需求，另一方面，有利于企业建立起稳定的客户群、提高服务质量，从而提高企业的市场竞争力。因此，个性化推荐技术的研究，具有较高的学术价值和应用前景。 本文通过分析个性化推荐模型的国内外研究成果和实际应用环境，研究基于顾客购买行为及偏好的个性化推荐模型，并应用抽样技术对顾客样本进行过滤，以提高推荐的准确性和实时性。主要研究成果包括： (1)提出顾客行为的动态挖掘方法。传统技术多是依据静态数据预测顾客偏好，但是顾客偏好是随时间而变化的。因此，本文将顾客的购买行为，按发生的时间顺序整理为购买行为序列，再对其进行关联规则的提取，进而预测出目标顾客的当前或未来偏好，有效提高了预测的准确性。 (2)提出使用抽样技术预处理样本数据。本文使用前瞻选择抽样算法，通过定义样本分类效用值，选取效用值最大的顾客样本进行类别标记，作为产生推荐的依据，解决了一般协同过滤技术的稀疏性问题和扩展性问题，有效地降低了推荐成本、提高了推荐质量。 (3)使用协同过滤算法和基于内容的协同过滤组合算法构建对照实验模型，评价新构造模型的有效性。使用Movielens站点提供的测试数据集，通过对平均绝对误差、平均绝对误差的标准差和平均预测时间三项指标的分析，表明新构造的模型能够提供更为准确和实时的推荐结果。