随着大数据时代的来临,各平台上的数据体量越来越大,这一点在电子商务领域尤为突出,面对着如此众多的商品反而使得花在寻找目标上的时间越来越多,这一现象称为“信息过载”。如何有效的解决这一难题引起了不少学者的研究,个性化推荐算法应运而生。这一现象在移动互联网时代变得更加严重,研究电子商务个性化推荐算法可以更好的帮助移动用户迅速找到其所需要的商品。在众多的个性化推荐算法中,协同过滤推荐算法发展前景和适用性最好,但是仍然存在数据稀疏性、冷启动和可扩展性较差等问题。本文针对协同过滤推荐算法和电子商务推荐系统面临的主要热点进行了深入探索。首先对协同过滤推荐算法的推荐原理进行了研究,对影响推荐系统准确性的各种因素进行了分析。根据以上研究成果,提出了一种基于奇异值分解和BP神经网络预测未评分项的改进算法。该算法通过奇异值分解用户-项目评分矩阵,有效的降低了矩阵的稀疏性;同时在奇异值分解的基础上,进一步采用BP神经网络来对未评分的目标项目进行分值预测,这样做的好处是避免了用平均分值代替而产生的效果单一性,从而使推荐的准确性有了较大提升。在此基础上,进行相似性计算获取相似邻居列表,将商品进行推荐给目标用户。该算法的改进核心思想是将用户-项目评分矩阵降维,有效的缓解数据稀疏性,使得推荐准确率更高。为了评估算法的有效性,本文通过设计一系列实验来进行验证。实验数据的来源是标准的Movie Lens数据集,实验设计考虑到不同稀疏度情况和不同邻居用户情况下对算法性能的影响,实验结果表明,在这两种情况下改进的算法推荐准确性平均提高了约4.5%。最后在Android平台进行电商个性化推荐系统的设计与实现,结合移动平台电商具体需求的分析,能够根据不同用户的兴趣喜好选取合适的商品进行推荐。