随着互联网的普及和发展,电子商务逐渐融入到人们的日常生活中,人们可以足不出户的买到自己想要的产品。但是电子商务网站上存在大量的商品信息,客户在纷繁的商品中寻找有用的信息非常困难。在这种情况下电子商务推荐系统应运而生,逐渐成为电子商务技术的一项重要研究内容,相关技术越来越多地得到研究者的关注。本文针对推荐系统中存在的一些问题,做了如下研究内容:首先,电子商务推荐系统中涉及到一个重要的技术是挖掘频繁项集。在实际应用中,随着日志不断更新,事务数据库处于变化之中,从而改变了挖掘出的原有模式。本文通过引入次频繁项对应原事务标识符的索引来确定需要处理原数据库的哪些事务,减少了这一过程所消耗的时间,并用基于压缩FP-tree和矩阵技术代替原始FP-growth挖掘出频繁模式。第二,协同过滤技术是电子商务推荐系统中应用得比较成功的技术之一。本文通过把项目的类型相似度引入到项目相似度的计算中,从而更加准确地得到项目的最近邻居和用户之间的相似度,最终更加有效地推荐出用户感兴趣的商品。第三,本文根据由频繁模式作出的商品推荐和由协同过滤作出的商品推荐各自的优点,将两种方法进行了有效的整合,发挥出各自的优点。实验表明,组合后的算法比单独使用两种技术有着更好的推荐效果。最后,本文采用MovieLens站点提供的数据集作为测试数据,验证了混合模式推荐技术的有效性。综上所述,本文实现了由频繁模式挖掘和协同过滤技术组合而成的电子商务推荐系统。有效解决了由事务数据库动态更新引起的频繁模式动态更新问题,通过引入项目的类型相似度提高了推荐系统的推荐效果,并有效组合了两种推荐技术,实验结果体现出本文算法的优越性,具有一定的现实意义。