本文对个性化推荐系统进行研究,主要研究重点为基于内容的推荐算法。基于内容的推荐算法即是利用目标顾客的产品交易记录及产品特征内容来为该顾客推荐感兴趣的产品[1],传统方法是利用顾客购买或收藏过的产品来找到top-k个和它们最相似的产品来做推荐。为了提高传统基于内容推荐算法的推荐准确率,我们把k-means聚类算法应用到传统基于内容的推荐中,提出了一种新的推荐算法,该方法首先对目标顾客感兴趣的产品特征向量进行聚类,将具有相似特征的产品聚到一起,然后找到和每个簇中心最近的那些产品推荐给目标顾客。上述算法仅仅利用了目标顾客喜欢的产品信息,然后根据这些感兴趣的产品找到相似的产品来进行推荐。除此之外,本文把朴素贝叶斯方法引入作为一种推荐算法。该方法利用目标顾客喜欢和不喜欢的产品去学习朴素贝叶斯分类器,然后根据这个分类器,计算目标顾客喜欢一件产品的概率,去推荐那些概率值最高的产品。最后,在实验评估部分,将三种基于不同推荐算法的个性化推荐系统应用在一个真实数据集上进行测试,该数据集是由一个英国电子商务公司提供的真实用户交易记录和产品库。本文介绍了如何将存储在mongo数据库中的数据转化为推荐算法可以直接使用的格式,然后比较和分析了这三种推荐算法的实际效果。实验结果显示:联合k-means的推荐算法提高了传统基于内容的方法的推荐精度,而基于朴素贝叶斯的推荐算法在这三种方法中性能是最好的。