随着互联网发展和电子商务规模不断的扩大,信息过载问题日益的严重。个性化推荐系统是一种解决信息过载问题的有效方法,它能够主动的去为用户推荐个性化信息并动态的根据用户需求做出调整。现在个性化推荐系统已经成为电子商务系统不可或缺的一部分。本文首先对web数据挖掘和个性化推荐相关技术做了研究,并对个性化推荐系统存在的不足做了分析。针对个性化推荐系统冷启动和矩阵稀疏的问题,采用Web数据挖掘的方法对用户收藏、浏览或产生关联的商品进行隐式评分,同时提出了一种基于K-means聚类和SVD降维的混合协同过滤方法。通过实验对比分析,发现改进后的协同过滤方法不仅缓解了冷启动和矩阵稀疏的问题,在推荐精度方面也得到了改善。针对个性化推荐系统推荐漂移问题,提出了一种基于时间遗忘函数的数据加权方法,构建能够反映出用户兴趣变化的评分机制,加权后的评价信息更符合人的遗忘规律,推荐算法也会根据用户兴趣变化智能的做出调整,在一定程度上缓解了用户兴趣偏移的问题。最后,对基于Web数据挖掘的个性化推荐系统从功能、结构等角度进行了设计,并对推荐引擎做出了改进。