随着计算机和互联网的普及,越来越多的人、越来越多的地方使用电脑来处理事务。因此在科研机构、企业或者是政府部门都积累了大量的数据资料。人们所面对的以不同形式存储的数据数量急剧增长。二十世纪90年代末开始,数据挖掘技术逐步兴起,越发成熟,改变了人们对数据的运用方式。在以前,人们对数据都进行比较简单的操作,例如存储、查询。而运用数据挖掘技术后,人们就可以从多种类型的数据中提取彼此隐藏的关系,构成尚未被发现的有价值的知识或者模型。企业作出决策时会将这种新发现的知识模式作为参考依据。于此同时,电子商务不断侵吞传统销售模式下的市场份额,已经成为越来越重要的商品销售模式。电子商务以其多样的商品、方便的交易方式,得到了越来越多人的亲睐。网上购物成为年轻人生活里不可或缺的一部分。事物都有两面性。随着电子商务的发展,一些问题也凸显出来。商品的种类越来越多,电子商务站点的网站结构也越发复杂,这使得顾客在寻找自己想要的商品时不再那么直接和顺利,可能会迷失在商品海洋中。在这种背景下,推荐系统适时而出,在一定程度上解决了电子商务站点的发展瓶颈。一个好的电子商务推荐系统,就相当于传统销售模式下的售货员,能够引导顾客顺利购买到自己想要的东西。对企业而言,它能够帮助自己提高销售业绩、增加竞争力,有效保留住顾客。本文主要做了以下工作。对推荐系统中常用的数据挖掘技术进行了对比分析,以现有的数据挖掘算法研究成果为基础,针对传统经典K均值聚类算法的固有缺陷,结合遗传算法全局最优收敛并且对最初值不敏感的特性,提出了基于遗传算法映射的K均值算法。详细叙述了算法的核心思想、算法流程,并对算法进行实验测试和性能分析。同时在分析个性化推荐系统的基本模型架构的基础上,结合当前应用中对推荐模型的新需求,提出了个性化推荐系统的多推荐模型,给出了其基本框架。并且对多推荐模型下的电子商务系统流程进行了分析,给出了多推荐模型的实现方式。