随着互联网快速高效的发展,大数据、云计算的兴起,电子商务领域越来越注重个性化推荐,这不仅是因为物质生活水平的不断提升使得人们越来越追求精神上的满足,还因为个性化推荐系统能实现用户、系统平台和生产商“三赢”的局面。本文对推荐系统的发展现状以及相关推荐技术进行了研究,考虑到传统推荐算法中未涉及对用户特征的研究,且用户/项目评分矩阵数据稀疏严重难以解决,而用户特征在很大程度上对用户的兴趣爱好模型起决定性作用,本文在传统的基于用户的协同过滤(User-based Collaborative Filtering,UBCF)算法的思想上,将用户特征融入了新算法,设计出基于用户特征的推荐(User Characteristics-based Recommendation,UCBR)算法。本文归纳和总结了13个用户特征并进行了参数化表示,在通过K-means技术对用户进行了两次基于关键特征值聚类的基础上,基于用户属性特征集以及项目评分通过余弦相似度方法依次进行计算,得到目标用户最终的相似用户集后,通过优选率对相似用户集中用户对项目的评分以及项目购买次数进行处理,得到了Top-N项目推荐列表。然后通过离线实验对UCBR算法的推荐性能进行了评估,证明算法在准确率(Precision)指标上满足推荐要求,在多样性(Diversity)指标上符合预期。接着,本文从实际出发,基于UCBR算法对购物推荐系统进行了研究,在需求分析和系统设计的基础上实现了具体的系统。在系统测试阶段,通过功能测试证明了该购物推荐系统不仅具有购物系统的基本功能,还能按照预期进行商品推荐。