随着网络技术的迅速发展,电子商务也越来越普及和流行,随着信息量的增多,商品信息过载的现象越来越严峻,因此需要创建个性化服务的电子商务推荐系统,将真正满足用户需求的商品推到用户面前,提高网站的销售力。推荐算法是个性化推荐系统的核心。目前来说,协同过滤算法是应用最多的推荐算法,但是它在实际应用中还是有很多缺陷:如评分矩阵稀疏问题,推荐精度问题等等。本文采用了一种基于混合机制的个性化推荐技术,有效的解决了评分矩阵稀疏问题,提升了推荐的精度。本文的主要研究成果如下:(1)利用用户的注册信息,通过改进的K-means聚类算法对用户进行聚类,将有着相似个人信息的用户分到同一个簇中,这样就可以在簇中查找用户的最近邻,避免了在整个用户群上查找,提高了实时响应速度,并且间接的解决了冷开始的问题。(2)将项目的属性分为m个维度,每个维度上有各自的属性特征值,得到属性特征值矩阵,通过计算两个项目间的属性特征的相似性,粗略得到稀疏矩阵中未评分项目的得分,充实了评分矩阵,为以后计算用户之间的相似性,做好了准备工作。(3)传统的推荐算法中没有考虑到用户对项目所属类别的偏好,本论文提出了计算用户对项目类别的偏好值,进行组合推荐,提升了推荐的精度。(4)最后设计了一个基于本文提出的推荐算法的电子商务个性化推荐系统框架,详细描述整个推荐流程,此框架可以应用在音像、文化等产品推荐上,也可以作为大型电子商务系统的子模块来运行。