推荐系统在这些年发展迅速，但大多数使用的是购买、评分等强关系，但基于用户行为轨迹的这种弱关系的挖掘发展却相对缓慢，特别是基于用户浏览行为轨迹的研究，而这一部分的数据往往占据着所有信息量的80%以上，里面有十分巨大的可挖掘空间，如何才能有更加有效的利用这一部分数据，这就成了一个亟待解决的问题。已有的研究表明，用户的浏览轨迹与购买行为有较强的关联特性，并且通过对用户的浏览路径，浏览所花的时间，用户拖动网页滚动条的时间等信息的挖掘，可以有效的从中发现用户的兴趣所在。本文的主要工作如下：1.本文将用户的购买行为归结为一种是用户浏览行为累积之后的行为。根据以上的观点，本文提出了一种类似于蚁群算法中的信息素的概念——商品信息素，通过商品信息素，将用户的浏览行为与购买行为有机的结合在了一起，继而针对用户的浏览轨迹对用户进行有效的推荐。2.本文通过实验，对比了不同参数值下算法的性能指标，找到了本文算法的最佳参数值的确定方法；同时对比了本文算法与当前流行的推荐算法的效果，说明本文算法在用户冷启动与稀疏数据处理上面的是很有优势的。3.最后将本文算法进行了分布式化与增量化的实现，使得算法在扩展性和实时性方面有很大的提高，不仅如此，通过对信息素的挥发，使得算法能够捕捉到用户行为上的新习性，同时能够使得一些比较旧的习性能够被逐渐地淘汰，形成良好的新旧交替的情况。