随着电子商务以及互联网的不断发展，服务领域逐渐扩大，信息量呈现爆炸式的增长。人们很难从海量数据中寻找到自己想要的信息，信息的利用率降低，信息超载现象日趋严重。目前，个性化推荐系统是解决信息超载问题最有效的工具，可以为用户节省大量的时间与精力。现有的推荐算法很多，如协同过滤，内容过滤等，然而单一的算法很难适应特定的场景。因此，本文将对当前的主流推荐技术进行研究，致力于构建一个基于B2C模式的团购系统，通过对客户端的信息采集分析，构建相应模型，来解决用户的团购个性化问题，把推荐技术融入到团购系统中，带给用户更加优质的用户体验。　　 本文首先对现有推荐算法进行了分析，指出各算法存在的问题。然后针对团购的特定需求对算法进行改进。提出了以协同过滤推荐算法与基于内容过滤推荐算法相结合的新算法。增加了隐藏信息的采集，有效的缓解了矩阵稀疏性的问题。针对用户的兴趣具有时间性的特点，引入了时间的衰减函数进行团购的评分预测；通过模型计算提供给用户个性化的团购推荐列表。接着，构建了基于B2C模式的团购系统，介绍了移动终端应用及平台的搭建，推荐模块的实现，并在办公环境下对效果进行了测试，采集了大量用户数据。同时，针对当前系统以及相关推荐算法提出了改进方向。