随着互联网的普及与电子商务的快速发展,用户在选择商品时,面临着越来越严重的信息超载的问题。因此,许多电子商务网站研究开发了推荐系统为用户进行个性化信息推荐服务。推荐系统模拟商店销售人员向用户提供商品推荐,帮助用户找到所需商品,从而顺利完成购买过程。随着推荐系统的广泛应用,出现许多问题与挑战,主要包括:推荐质量、推荐实时性、数据稀疏性、冷启动等问题。为了解决以上问题,本文着重对推荐系统及其核心的推荐方法进行研究。首先,研究推荐系统。针对推荐质量和实时性要求,构建合理的推荐系统。将推荐系统划分为在线实时推荐和模型处理两部分。用户在线浏览电子商务网站时,在线部分实时输出反映用户兴趣的个性化推荐列表。模型处理部分主要根据所收集的数据以及不同的模型算法,得到模型输出,作为在线推荐的依据。特别提出对于新用户和新商品采用结合不同方法的推荐机制,在一定程度上解决冷启动问题,提高推荐质量。其次,研究推荐方法。推荐方法主要包括:基于内容推荐、协同过滤推荐、混合推荐、数据挖掘等方法。其中,协同过滤算法是比较成功的推荐方法。而针对基于聚类的协同过滤推荐算法的效率和质量方面的不足,提出使用Fuzzy ART算法,发挥其学习性与适应性的特点。建立基于Fuzzy ART的推荐算法,进行实验分析,并与传统方法进行比较,证明Fuzzy ART算法有助于提高推荐质量。再次,针对Fuzzy ART算法存在的数据稀疏性问题和冷启动问题,提出使用Fuzzy ART结合基于内容的改进推荐方法。将商品特征信息与用户的偏好结合,得到用户偏好模型。根据用户偏好模型利用Fuzzy ART分类,预测用户的推荐结果。比较分析结果显示结合基于内容的推荐方法在一定程度上解决稀疏性问题,提高推荐效果。此外,结合基于内容的推荐方法可以促进对新商品的推荐。最后,考虑用户信息对推荐质量的影响,进行改进得到混合算法。用户购买商品可能不仅仅与商品特征及偏好有关,用户的基本信息如年龄、职业、性别等也具有一定的相关性。考虑将用户信息作为调整加入到分类的结果中,形成混合算法,实验分析得出其推荐质量是以上算法中最好的。另外,对于新用户,即只有用户基本信息没有偏好数据的情况下,可以根据用户信息找到相似用户,解决冷启动问题。