随着互联网的迅猛发展，电子商务也越来越普及和流行起来。随着信息量的爆炸式增长，在电子商务领域，信息超载问题增加了用户购买所需商品的难度，用户在找到自己需要的商品之前必须浏览大量的无关信息。为了将真正满足用户需求的商品推荐到用户面前，电子商务个性化推荐系统应运而生。　　协同过滤算法是目前应用最广泛的电子商务个性化推荐算法，但它在实际应用中存在评分数据稀疏、冷启动和算法可扩展性等问题。为了解决评分数据稀疏和冷启动问题，本文主要做了以下几方面的工作:　　1.针对用户评分数据稀疏问题提出了改进的协同过滤推荐算法。算法首先计算出项目间的相似度，然后计算出未评分项目的预测评分来填充用户评分矩阵，使得评分矩阵不再稀疏。在计算项目间的相似度时，本文提出了改进的项目相似度度量方法，综合考虑了项目间评分的相似性和项目间固有特征属性的相似性。并引入了李德毅院士提出的定性定量知识转换模型——云模型来计算项目间的评分相似度。　　2.针对冷启动问题提出了基于用户特征聚类的推荐算法。借鉴了Kruskal最小生成树算法对K-Means聚类算法进行了改进，将改进的聚类算法应用在用户特征聚类中，将有相同特征的用户聚在一个簇中并做出推荐。　　3.采用上述两个推荐算法为子算法提出了组合推荐算法，融合了两个算法的优点。并使用用户的评分行为对算法进行反馈，自动调整算法，使算法达到自适应的目的。　　最后，本文编程实现了上述算法并分别进行了对比实验。实验表明本文提出的推荐算法相比于传统的推荐算法有更好的推荐效果。