随着电子商务站点中客户及项目数量的迅速增加致使产生大量的客户、项目元数据及客户-项目交易数据,而这些数据常常是不确定的,严重影响了个性化推荐质量的提高和客户满意度的增加。因此对电子商务网站中的不确定数据研究有重要的理论意义和现实意义。首先,介绍了电子商务、个性化推荐技术及不确定数据等内容。为了研究电子商务中的不确定数据,对其进行归纳、总结和分类,将不确定数据分为直接不确定数据与间接不确定数据,并对各种不确定数据产生的原因进行了分析。其次,详细分析了电子商务站点中客户-项目评分缺失在实施个性化推荐过程中的重要性。通过对这类不确定数据统计分析,以及已有方法在评分预测中只考虑单一评分因素的问题,提出了一种依据用户对商品的评分变量服从正态分布的客户-项目缺失评分补齐模型(UIRCBTRV)。在此基础上,设计了一种基于二维正态分布的评分补齐算法(UITRC),并对算法的补齐准确性及推荐质量进行分析。第三,现存的个性化推荐系统大多是粗粒度模式,其结果主要以项目集合与客户集合为目标的多对多推荐,是一种不精确的个性化推荐。为此,本文建立了细粒度推荐模型(FGRM),设计了一种细粒度推荐算法(FGRA),从而提高了推荐质量。最后,对提出的模型与算法进行了实验检验。实验结果表明,在提出的两种模型基础上,评分补齐算法(UITRC)与细粒度推荐算法(FGRA)很好地符合缺失评分的分布规律及精确推荐预期结果。通过与已有算法的比较,本文的模型与算法有效地提高了推荐系统的推荐质量。