电子商务的迅速发展带来了用户量和商品量的爆炸式增长,推荐系统作为一种帮助用户筛选信息和提供个性化服务的强大工具很快被应用在该领域的海量数据处理上。推荐系统的核心是推荐算法,关联规则算法是当今最流行的推荐算法之一。在同类算法中,以FP-Growth算法最为著名,但是在当前基于FP-Growth算法的推荐系统中,仍存在置信度缺失、事务无区分度、算法覆盖率低、模型易受攻击以及个性化不足等缺陷,所以FP-Growth算法需要结合当前推荐系统的上述缺陷进行相应的改进。本文对Mahout下的FP-Growth关联挖掘算法进行了相应改进,并基于改进后的算法设计实现了基于关联规则算法的电子商务推荐系统。具体工作包括：基于支持度和置信度,使算法在强关联规则得以并行实现；设计时效度和兴趣度,克服了事务无区分度的缺陷；设计了基于分层和用户偏好度的TOP-K算法,解决了FP-Growth算法的“长尾商品”的推荐缺失问题；另外,针对算法模型易受攻击的特点设计了双阈值和黑名单机制等。该推荐引擎利用lava技术在]Hadoop平台上设计和实现。实验结果表明,通过对该大型网站的实际业务数据进行关联分析,基于改进的FP-Growth的推荐引擎显著提高了推荐系统的准确率、召回率以及预测覆盖率。