基于因特网的电子商务蓬勃发展，信息强度和密度前所未有，用户数与项目数呈级数增长，个性化信息推荐服务显得越来越重要。电子商务下的个性化信息推荐系统在理论和实践上都得到了很大发展，其核心部分就是对推荐方法的研究，选择哪种推荐方法对于推荐系统的效果和效率至关重要。协同过滤算法是个性化推荐系统中常用的方法，由于用户对项目的评价部分不多，使得数据稀疏性对推荐质量和实时性影响较大。本文对电子商务环境下的个性化信息推荐服务进行了深入地研究，并针对个性化推荐方法中的协同过滤算法进行了详尽地分析，给出了协同过滤算法所面临的挑战，在此基础上，对基于聚类的协同过滤推荐算法进行了改进。该算法在用户—项目评分数据库的基础上，首先离线计算项目之间的相似度，结果保存在数据库中；其次对每个项目聚类结果进行用户聚类，计算用户之间的相似度，找到用户的最近邻居集合；最后根据用户最近邻居集合预测对每个项目的评分，产生推荐给目标用户。本文通过程序开发对改进的部分进行了模拟实现，验证改进算法的可行性和有效性，从而可以有效解决用户评分数据极端稀疏情况下传统方法存在的不足，有效提高了电子商务推荐算法的推荐质量。在论文最后一章还构建了个性化信息服务推荐的系统框架，主要包括模型描述、系统流程图及框架图。