作为现代电子商务平台的一个重要组成部分，推荐技术的表现决定了其电商平台的表现。科技的进步带来互联网领域的突飞猛进发展，它也将纷繁的各种信息展现给我们。面对如此多的信息，我们会思考：怎么找到自己感兴趣或者自己有用的信息呢。一切的实际情况表明：想要发现对自己有价值的片段，无疑变得非常困难，即使只是全浏览一遍这些信息也是不现实的。个性化推荐系统的发展始于二十世纪九十年代的一次美国人工智能会议，当时参加会议的卡耐基.梅隆大学的RobertArmstrong等人提出了一种个性化导航系统：WebWatcher。随后，来自斯坦福大学的MarkoBalabanovic等人也于该会议提出了个性化推荐系统－LIRA的思想。从此拉开了个性化推荐系统的发展序幕。从最开始的基于内容的推荐系统，到后来的基于协同过滤的推荐系统的发展，经历了短短的20多年，到如今随着我国互相网络基础建设的完善，网络带宽的扩大，使得推荐系统的发展更加迅速。推荐系统的发展所经历的时间不算长，但是其带来的影响却是巨大的。在这个过程中先后出现了多种推荐算法，最主要的代表有：协同过滤算法、基于内容的推荐算法和基于网络结构的推荐算法等。它们的出现，以及发展延伸，为未来推荐系统的发展起到了铺垫作用。本文为了研究特征属性在推荐系统中起到的影响作用，我们想到了逻辑回归模型。逻辑回归也就是逻辑回归的分析，一般情况是在流行性疾病学中应用比较多。本文的研究内容为：首先，我们的研究重心是在推荐算法模块，利用后台的推荐算法，实时地从产品集合中筛选出用户感兴趣的产品进行推荐。通过逻辑回归模型建立场景模型，分析数据集，从分析结果中选择最优的特征。逻辑回归函数可以进行参数的自我优选，即是输入一系列参数，最后训练得到的参数为对该数据集影响较大的特征。其次，研究逻辑回归场景模型的预测效果。通过两个步骤来对场景预测效果分析，第一步研究离线情况下的参数选取效果，也就是建立回归模型引擎训练参数；第二步，优化后的参数应用到在线测试站测试效果，即应用到推荐系统，并分析其结果。最后，研究不同数据集在采用了逻辑回归场景引擎技术的推荐系统中的效果。用户购买的行为分为自我行为和商品的行为。我们研究两者的各自特征体现的用户兴趣所在，基于以前方法的推荐并不能指出不同电子商务环境的不同特征的影响。挖掘用户和商品特征，同时研究不同特征对不同数据集的影响可以解释推荐物品的原因，更能体现用户的个人偏好。通过把本文的方法和标准的协同过滤推荐技术相比较，我们发现：前者在推荐的准确率和召回率有一定的提高，且F1指标也提高了，同时在时间上优于标准的协同过的推荐系统。最后，介绍了以本文理论为主要支撑的实际应用的设计和实现，以及运行效果展示，通过电影推荐来观察实际的效果，在多次使用中，该应用表现较好，达到了本文预期的效果。但是功能上略显单一，需要进一步的丰富。