随着Internet和电子商务应用的飞速发展，越来越多的信息和服务充斥网络，用户在享受电子商务带来方便、快捷的信息服务的同时，也经常会迷失在大量的商品信息空间中，随之产生了“信息过载”问题。因此，电子商务个性化推荐系统应运而生。电子商务个性化推荐系统就是根据用户个人的习惯和偏好等来向用户推荐信息、商品或服务的程序。在电子商务平台上，个性化推荐系统模拟销售人员的角色，为用户提供帮助，并向用户推荐其感兴趣的商品，帮助用户顺利地完成购物。推荐算法是推荐系统中的最关键的技术。目前，协同过滤推荐算法是推荐系统中应用最广泛和最成功的技术之一，主要包括基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法。但是，随着电子商务规模的不断扩大，协同过滤推荐算法遇到了一些挑战，如数据稀疏性问题、可扩展问题、冷启动问题和时间因素问题等。本文对传统的协同过滤推荐算法进行了深入的研究，提出了一种改进思路，取得了一定的效果。本文的主要研究工作有：（1）对电子商务个性化推荐系统进行了深入研究，包括电子商务个性化推荐系统的发展历程、体系结构，并对推荐系统中使用的相关技术进行了详细的介绍，最后介绍了电子商务个性化推荐系统的作用。（2）对传统的协同过滤推荐算法进行了研究分析，包括基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法。重点介绍了算法的实现步骤，并指出了传统协同过滤推荐算法存在的不足，同时也介绍了一些改进方法。（3）提出一种协同过滤推荐算法的改进方法，这也是本文的核心部分。针对数据稀疏性问题，将基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法的思想相结合，通过项目相似集来计算用户对未评分项目的预测评分，填充用户-项目评分矩阵，从而降低数据稀疏性。针对时间因素问题，在计算预测评分过程中引入时间函数，对评分时间近的评分赋予较大的权重，对评分时间远的评分赋予较小的权重，从而提高预测准确度。（4）进行仿真测试。使用Matlab软件实现改进算法，并利用Movielens数据集对算法进行测试，验证其合理性。本文首先比较了余弦相似性、相关相似性和修正的余弦相似性三种相似度计算方法，然后对改进的协同过滤推荐算法和传统的协同过滤推荐算法进行了对比实验。通过实验，证明改进算法取得了一定的效果，能够提高推荐质量。