电子商务的快速发展和信息规模的迅速增长带来了信息过载问题，海量的信息同时呈现使得用户无法获取对自己有用的信息，而一般的检索和浏览服务很难满足用户的个性化需求和偏好，推荐系统作为一种信息过滤的重要手段，是目前解决信息过载问题非常有效的方法。推荐系统通过分析用户的行为来预测用户的喜好，使用户能更容易找到他们潜在需要的信息，模拟销售人员帮助客户完成购买过程。在日趋激烈的竞争环境下，推荐系统能有效的留住用户、防止用户流失、提升用户购物体验，提高电子商务网站的在线销售业绩，因此研究个性化推荐技术具有非常重要的理论和实际意义。本文从大型B2C电子商务网站实际情况出发，根据网站的业务需求及业务特点，采用推荐策略组合的方式克服了协同过滤数据极端稀疏性、新用户和冷启动等问题，降低了单纯推荐技术的弱点。在技术实现上，将Web日志挖掘和用户、商品协同过滤技术相结合的机制，设计实现了基于用户行为的个性化推荐系统，同时对一些经典的推荐算法及推荐系统常见问题进行论述并最终给出相应的解决方案。本文在设计上，充分考虑了系统的可扩展性和可维护性，便于网站后期的升级维护。在系统的开发上，采用B/S结构，使用最新的.NET Framework4.0平台，ASP.NET MVC3.0开发，结合最新的ADO.NET数据库访问技术，面向对象的编程模式，采用JSON形式提供对外接口服务，方便外部系统调用及维护。