随着互联网的普及和电子商务的发展,电子商务系统在为用户提供越来越多的选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己需要的商品。电子商务推荐系统(Recommender System)直接与用户交互,模拟商店销售人员向用户提供商品推荐,帮助用户找到他们真正所需购买的商品。近年来虽然电子商务推荐系统在理论和实践中都得到了很大发展,然而电子商务推荐系统仍面临着一系列挑战。针对电子商务推荐系统面临的主要问题,本文对电子商务推荐系统中推荐算法和推荐系统体系结构等核心技术进行探讨,主要创新如下:首先,提出基于关联集合的协同过滤推荐算法。在个性化推荐中,尽管用户评价了某些项目,但这些项目是用户在无意或其他偶然因素影响下评价的,与用户自身偏好并没有多大关联,这往往更符合实际情况。这些不相关的项目相当于噪音数据,往往会干扰协同过滤的效果。为了进一步提高推荐精度,我们提出基于关联集合的协同过滤推荐算法:利用Apriori算法得到频繁项集,取得关联集合,再进行协同过滤,真正的依据用户的偏好信息来进行推荐,从而提高推荐精度。试验结果表明,与传统协同过滤推荐算法想比,基于关联集合的协同过滤的推荐算法可以有效地提高推荐精度。其次,提出柔性电子商务推荐系统。目前大部分的电子商务推荐系统都是一个单一的工具,只能提供一种推荐策略。在电子商务环境下,商品极其丰富,个性需求多种多样,于是迫切需要更加灵活、实用的推荐策略。为此,本文运用柔性理论对电子商务推荐系统进行分析,提出柔性电子商务推荐系统。该系统通过策略模块去完成推荐需求与实现之间的映射,通过这个映射完成不同的推荐服务。系统的设计遵循构件化的原则,以做到随着策略的改变能够灵活的调整。