随着Internet的日益普及,电子商务蓬勃发展。商务网站从“以站点为中心”向“以用户为中心”发展成为必然。推荐系统在电子商务系统中具有良好的发展和应用前景,逐渐成为电子商务IT技术的一个重要研究内容,协同过滤作为目前推荐系统应用中最为成功的个性化推荐技术,也得到了越来越多研究者的关注。本文通过对协同过滤推荐算法的文献综述,分析了现有研究中仍然存在的问题,重点对推荐算法无法适用于用户多兴趣下的推荐问题进行了剖析,提出了一种基于用户多兴趣的协同过滤推荐改进算法,并进行了实验仿真,验证了算法的有效性。本文的具体贡献有如下几个方面:第一,通过对电子商务推荐系统及推荐算法的研究综述,扩充了原有的协同过滤推荐算法分类体系,并分别对全局数值算法、基于模型的算法及组合推荐算法三大类算法中现有的一些主流的协同过滤推荐算法进行了比较分析,指出了目前算法中尚未给予足够重视的用户多兴趣这一现实问题。第二,针对传统算法只适用于用户单一兴趣下的推荐问题,提出了一种基于用户多兴趣的协同过滤推荐改进算法。其基本思路是:首先针对用户现实存在的多兴趣,对项目进行分类。然后引入了用户兴趣度的概念、定义和公式,来区别用户在不同项目类别上表现出的兴趣偏好,以定量的形式来衡量用户的兴趣偏好。其次基于用户兴趣度和项目分类体系形成用户聚类,最后在不同的聚类中,完成对用户的预测和推荐。第三,使用MovieLens数据库,对提出的改进算法进行了实验仿真与测试,与传统的协同过滤推荐算法进行比较,改善了协同过滤推荐算法常见的稀疏性问题,同时实验显示改进算法比传统算法在所有的稀疏水平上都具有较高的推荐质量。