随着Internet和电子商务的迅猛发展,人类已经进入信息社会时代。我国的电子商务市场发展潜力巨大,同时保持了持续高速增长势头。人们通过访问电子商务网站,可以享受足不出户选购商品的快乐和方便。但是,电子商务网站提供的大量商品对用户造成了“信息超载”,导致电子商务网站面临这样一个严峻的问题:如何在用户浏览网站时将适合该用户的商品推荐到他/她面前,克服信息超载带来的不利影响,从而促成更多的交易以增加企业销售额?电子商务推荐系统(E-commerce recommender systems)就是解决信息超载问题的一种方案、一种实现电子商务网站“一对一营销”战略的技术,可作为网站客户关系管理的有益组成部分,已经在许多大型网站得到应用。协同过滤是目前电子商务推荐系统中广泛使用的、最成功的推荐算法,但还存在诸如稀疏性(sparsity)、冷启动(cold-start)、可扩展性(scalability)等制约其进一步发展的瓶颈问题。因此,需要对上述协同过滤瓶颈问题展开进一步研究。本文的主要研究内容如下:(1)对协同过滤的国内外研究现状进行了全面的梳理和综述,在此基础上对协同过滤瓶颈问题进行了提炼。(2)针对基于项目评分预测的协同过滤推荐算法在缓解稀疏性问题上的不足,即目标用户最近邻搜寻不够准确和存在不必要计算耗费,首先提出了非目标用户类型区分理论,从而将用户评分项并集中的非目标用户区分为无推荐能力和有推荐能力两种类型。对于无推荐能力用户,不再计算其与目标用户的相似性以提高算法效率和改善推荐实时性;对于有推荐能力用户,则在其与目标用户存在共同评分项类时,提出了领域最近邻理论对用户评分项并集中的未评分项进行评分预测,从而使最近邻搜寻更加准确。为了防止用户评分数据的极端稀疏现象可能导致领域最近邻的用户相似性过低,进一步提出了一种基于Rough集理论的用户评分项并集未评分值填补方法,该方法能有效实现用户评分项并集的完备化,从而将其应用于评分矩阵的未评分值估算以缓解稀疏性,实现了对领域最近邻理论的有效补充。(3)针对冷启动中的新用户问题,提出了一种冷启动消除方法。首先,提出了用户访问项序理论,通过Web日志来获取用户访问项序,并定义了n序访问解析逻辑,将用户访问项序分解为用户访问子序集,并设计了用户访问项序的相似性计算方法来搜寻新用户的最近邻集合,进而提出了一种改进的最频繁项提取算法IMIEA来对最近邻集合的用户访问项序进行处理,得到面向新用户的top-N推荐;基于最近邻用户与新用户的用户访问项序集合,建立了用户访问项序的Markov链模型,实现了对新用户的商品导航推荐。(4)针对可扩展性问题,提出了一种适应用户兴趣变化的协同过滤增量更新机制,能够以较小的系统计算量在用户提交新评分后实时更新相应项目与其它项目之间的相似性数据,从而消除了传统方法在每次进行推荐计算时无法避免的扫描全体项目空间的计算耗费,有效改善了可扩展性;同时,由于这种增量更新机制保证了在推荐运算中能够使用到最新的用户评分数据,因此使得推荐服务可以适应用户兴趣偏好的动态变化,从而弥补了传统的离线计算项目相似性方法难以反映用户兴趣漂移的不足。(5)在本文提出的上述理论和方法基础上,设计并实现了一个电子商务协同过滤原型系统ECRec(E-Commerce Recommender system),该系统具有良好的可移植性、可维护性及开放式架构(open architecture)特征。