产品推荐是指从海量网络产品信息中依据用户兴趣进行选择并向用户进行推荐。好的产品推荐系统一方面能极大节约用户搜索及挑选产品的时间,另一方面能有效增加商家的用户粘性。因此,产品推荐系统在电商中得到了越来越广泛的应用,与此同时,也暴露出了诸多问题,引起了越来越多研究者的关注。本文在已有研究的基础上,着重研究基于半结构化信息的产品推荐系统中的两个关键技术,其一是从半结构化信息中抽取结构化的产品属性信息,其二是基于抽取的结构化属性信息进行产品相似度的度量。为此,本文开展了如下的研究和开发工作：(1)在产品结构化属性信息抽取方面,本文基于半结构化产品描述信息的特点,采用了基于主动学习的线性条件随机场模型进行产品属性及属性值的抽取。实验表明,该算法在获取较好抽取效果的同时,能减少对语料的标注,因此,具有较好的可移植性。(2)在产品相似度度量方面,本文提出了基于所抽取的属性进行产品相似度度量的方法。该方法首先基于产品属性进行分类,之后在同类产品间采用最小编辑距离来综合其他属性度量产品相似度。实验表明了该方法的有效性。(3)综合以上两个技术,本文实现了一个基于半结构化信息的产品推荐系统。在系统原型设计实现中,采用JSP+Servlet+Spring+Hibernate框架。实验表明,本文提出的方法在产品推荐系统中具有较好的可解释性、可扩展性和较好的推荐性能。