随着信息技术迅速发展，电子商务作为一种新型、高效的商务模式快速得到普及，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品中，无法顺利找到自己需要的商品。其原因一方面是在电子商务环境下可选择的商品过于丰富，另一方面原因是由于用户和商品在空间上的分离。针对以上问题，产生了商品推荐系统，它可以根据用户的特征来推荐商品，但是随着用户数量、商品数量的急剧增加，传统的商品过滤算法面临着诸如数据稀疏性、冷启动、实时性等问题的挑战，严重影响到推荐系统的推荐效果。因此，研究易于扩展、高效率的商品推荐算法是当前商品推荐系统的主要研究任务。　　 本文选择B2C电子商务网站作为商品推荐算法的研究对象。文章首先介绍了电子商务推荐系统相关知识，详细介绍了当前流行的推荐算法以及推荐效果的评价方法。其次，针对现有推荐技术在数据稀疏性和冷启动方面存在的不足，给出了结合项目类别信息的协同过滤推荐算法。该方法对协同过滤技术中用户相似性度量方法进行了分析，并将用户对类别关注的相似性和用户评分相似性进行组合，得到用户综合相似性，从而提高了最近邻居搜索的准确度，缓解了数据稀疏性和冷启动问题；为了进一步提高推荐系统的推荐质量，给出了一种基于朴素贝叶斯方法的协同过滤推荐算法。该方法对用户一项目评分矩阵中评分数据与用户属性、商品属性之间存在的关联关系进行了分析，利用改进的加权朴素贝叶斯方法统计、分析特征属性集与评分之间的关系来预测缺失数据，然后在此基础上利用传统的协同过滤方法产生推荐结果。由于此方法充分考虑了用户属性、项目属性对评分数据的影响，从而提高了预测数据的准确性，使得数据稀疏性问题得到有效解决。实验结果表明，上述新算法显著提高了推荐系统的推荐质量。最后，论文给出了结论及未来工作的展望。