随着互联网的迅猛发展,我们迈进了大数据时代。随之而来的信息超载问题也日益明显。推荐系统应运而生,在信息的生产者与消费者之间架起了沟通的桥梁,根据用户偏好将个性化信息推送给用户。本文介绍了个性化推荐技术,通过分析协同过滤算法的原理及其不足,改进了传统的协同过滤推荐算法,并在此基础上构建了基于Web挖掘的个性化推荐系统。论文研究并设计实现了基于Web挖掘的个性化推荐系统。主要完成了如下研究工作:1.研究了基于协同过滤算法的个性化信息推送方法,解决了传统的协同过滤中存在的邻居集误判、兴趣漂移等问题。2.细粒度地考虑用户差异性以及项目差异性对相似度的影响,优化了相似度计算方法。3.考虑了时间维度对用户兴趣度的影响,模拟人脑记忆规律动态改变用户兴趣度。4.设计了推荐可信度机制预测用户对项目的评分,提高了推荐准确率。5.针对传统协同过滤推荐算法数据稀疏、冷启动等问题,引入了Web挖掘技术,建立了新的用户兴趣模型,综合利用用户的隐式、显式行为,通过挖掘用户的行为日志将用户的隐式行为转换成隐式的用户-项目评分,再用隐式的用户-项目评分填充显式的用户-项目评分。实验结果表明,基于Web挖掘的个性化推荐系统能够进一步提高推荐准确率和覆盖率。