随着现代市场竞争的不断加剧，如何准确地评估客户价值，识别出最有价值的客户群体并据此进行有针对性的个性化营销成为企业赢取客户的关键。个性化推荐可以向客户提供商品推荐，即实现把合适的商品推荐给正确的人，从而可以满足客户的个性化需求，将潜在客户转变为实际购买者。协同过滤是个性化推荐中的一种主要算法，是在推荐系统中应用最成功的推荐技术之一，它具有处理复杂的非结构化对象、个性化程度高等优势。但是其固有的缺点对推荐的效果有很大的影响。本文提出一个基于RFM的顾客分类的个性化推荐方法，适用于不同价值的客户的消费行为，以预测客户的偏好，可提供一个适性的推荐机制，解决当前推荐不适当的问题，可以避免无效的推荐。本文首先对不同的推荐算法进行了分析比较，重点研究了协同过滤推荐算法，分析了协同过滤推荐算法在实际应用中所暴露的问题。针对存在的问题，提出了基于RFM模型的协同过滤推荐方法。这种推荐方法的思路是根据客户对某种商品的历史消费记录，结合RFM模型，计算出客户对商品的R、F、M的综合结果，之后结合每个指标的权重，算出客户对商品的综合评价。这是一种被动的客户评价，由于综合考虑到了各方面的综合指标，所以比起客户主动的评价，具有一定的客观性。之后，利用顾客交易的历史数据算出每位顾客的R、F、M值，之后利用RFM模型确定顾客的价值高低。针对不用价值类别的客户采用基于客户偏好的协同过滤技术推荐商品。为了对比推荐效果，对顾客的属性信息进行了无差别的模糊C均值聚类，之后针对不同类别的顾客进行个性化推荐。本文在实证部分采用某大型超市一年的销售记录数据进行了以上方法思路的实证操作，并对结果进行了验证。通过对比基于RFM模型的推荐结果与基于模糊C均值聚类的推荐结果，可以明显看出本文所提出的方法皆有较高准确率及F1值，由此可看出确实能够提供顾客合适的产品推荐。