随着网络信息化服务的飞跃式发展,商品与服务等领域的电子海量数据,在给用户提供更多信息服务的同时,也让用户迷失在电子信息的海洋之中,无法准确地找到自己想要的信息,作为智能化服务的推荐系统已经成为信息个性化推荐技术的重要表现形式,在电子商务等信息化服务中具在不可替代的作用。对电子商务推荐模块的研究,具有良好的应用前景和实用价值。本文在研究电子商务领域中广泛应用的个性化推荐系统的基础上,对推荐系统中各种推荐技术进行研究,结合各种推荐技术的优缺点,着重研究协同过滤技术的填充模型,针对协同过滤中存在的数据极端稀疏、相似准确度问题进行研究,提出一种基于模型填充的混合协同过滤算法,并将之应用于电子商务推荐模块。对填充模型的研究,本文主要提出了两种填充策略,首先,利用朴素贝叶斯方法对用户项目属性进行概率统计,建立特征属性预测表,即相应的贝叶斯模型,结合项目相似度的项目模型,建立由贝叶斯模型和项目模型结合的填充策略；其次,基于用户聚类和项目聚类,结合用户聚类的(用户组,项目)评分矩阵和项目聚类建立的(用户,项目组)评分矩阵来对(用户,项目)稀疏评分矩阵进行填充的聚类填充策略。实验结果表明,基于填充模型的协同过滤算法对传统过滤算法有更好的性能,在用户相似度以及项目相似度的准确度上有较大的提高,从而提高了推荐的准确度；针对不同的数据源进行建模,有效地改善了推荐系统数据的单一性,将基于内容的推荐技术与基于评分的推荐技术有效地整合在填充模型中,改善了推荐系统对评分数据的过度依赖,提高了推荐系统的健壮性。