随着电子商务,Web服务以及基于Web的信息系统的持续壮大和发展,基于互联网的信息量以及信息交互量越来越大。如何从这海量的数据中发现有用的信息,为访问者提供更个性化的服务,满足用户需求给我们带来了一个严峻的挑战。由此,Web数据挖掘孕育而生,而作为分析用户行为的重要组成部分,Web使用挖掘(也称日志挖掘)日渐成为研究重点。Web使用挖掘旨在从用户聚集的大量点击流(Clickstream)和用户数据(User Data)中分析产品设计,评估页面相关性,优化Web应用程序的功能,从而为访问者提供更个性化的内容。本文以服务器访问日志为数据源,利用Web使用挖掘和个性化推荐相关理论,综合分析大量Web个性化推荐方面论文,通过建立聚类模型和分析Web访问行为来理解线上用户的信息需求,提出了一个由线上和线下系统组成的Web个性化推荐系统的设计框架并实现。其中重点就数据预处理方法,访问模式页面聚类,相似性页面的分类推荐三个方面进行了深入研究。具体工作如下：(1)作为Web日志挖掘的必要工作,研究了数据预处理的过程和方法,包括数据清理,用户识别技术和会话识别技术。并根据本系统情况采用其中一种算法并适用。(2)页面聚类可以发现用户的访问模式,本文根据前人的一种页面聚类算法(SUGGEST系统)提出一种新的基于图分割的聚类算法：根据不同的页面相关度计算公式建立无向图,然后用深度优先搜索算法(DFS)进行聚类。(3)系统预测和推荐方面,设计了一种以计算页面访问序列相似度为基础的推荐方案,根据当前用户的活动会话和上一步存储的页面聚类结果用LCS算法进行相似度匹配,得出推荐页面列表反馈给用户。(4)最后根据提出的算法,进行了实际数据的实验验证和结果分析,证明本文的算法和设计的实际可行和有效。