跨境电商作为电子商务中的一种新兴行业,其数据规模也如一般电子商务一样急剧扩大,用户面临着日益严重的“信息过载”问题。推荐系统作为解决该问题的有效手段,在学术界和企业界都已有了一定成果。但跨境电商由于涉及商品出入境,因此受到诸多政策法规的影响,产生了对推荐系统的一些特殊需求,导致传统协同过滤推荐算法对于跨境电商的商品推荐效果较差。本文先对现有协同过滤推荐系统的基本理论进行了总结和梳理,在此基础上,结合用户对商品属性的偏好以及情境化用户偏好来满足跨境电商推荐系统的系统需求。本文首先基于现有研究对推荐系统进行综述,梳理了构建推荐系统的要点。对于常见的推荐算法做了介绍和优缺点分析,同时也总结了推荐系统的评级方法与评价指标,给出了一些评价指标的计算方法。接着对传统协同过滤推荐算法做了详细说明与优缺点分析,在明确传统协同过滤推荐算法不足的基础上,针对跨境电商行业改进该算法。根据企业实际和国家政策法规,进行了系统需求分析,得到单人限购额度、爆品效应强等一系列跨境电商行业的特殊需求。然后提出了一种基于商品属性和情境化用户偏好的协同过滤推荐算法来满足系统需求,并给出了系统框架和算法流程。最后使用某跨境电商企业订单数据集,对本文提出的改进算法进行实验分析,与传统协同过滤推荐算法相比较,降低了协同过滤推荐算法中的数据稀疏性的影响,并验证了改进算法具有更好的推荐效果。