目前电子商务网站数量众多,信息资源总量庞杂、增长速度飞快,导致用户在整个商品空间上出现信息迷航和信息过载问题,信息使用效率降低。现有的电子商务网站搜索系统和搜索引擎,主要通过用户输入的搜索条件进行信息过滤,没有个性化的考虑,无法根据用户的需求,提供便捷、高效、准确的服务。如何顺应电子商务向以用户为中心发展模式的转变,就必须应用个性化推荐系统。推荐系统能够针对不同的用户提供满足其个性化需求的服务,提高用户从信息中寻找知识的效率,与客户建立长期稳定的关系,能够使网站立于不败之地。推荐系统通过模拟商店销售人员,根据用户的兴趣爱好,向目标用户推荐符合其兴趣爱好的商品。推荐算法是推荐系统中最重要的组成部分,关系着推荐系统的推荐质量。协同过滤算法是目前应用最广泛、最成功的推荐算法。然而,随着互联网用户数量的剧增,协同过滤算法在数据稀疏性、用户评分真实性等问题上日趋严重,影响了推荐系统的质量。基于上述情况,本文从理论和实践两个角度出发,研究、设计了一个基于用户行为的电子商务推荐系统。主要采用前融合组合推荐策略,将Web使用挖掘技术和基于用户-商品类的协同过滤推荐算法相结合,避免了单纯使用协同过滤技术的弱点,降低了传统协同过滤算法中数据稀疏性问题。阐述了基于用户行为的电子商务推荐系统的设计思想,详细介绍了算法的三个组成模块:用户聚类子模块、个性化推荐子模块、推荐反馈子模块的实现过程,并通过实验验证了本推荐算法具有良好的推荐效果。最后根据算法的思想设计和实现了基于用户行为的电子商务推荐系统实例—“乐购网”。根据“乐购网”的开发过程,介绍了系统的需求分析、系统设计、数据库设计和主要功能模块的设计实现,重点介绍了基于用户行为的个性化推荐子系统的设计和实现过程。