随着互联网的普及，使得人们从传统的购物方式逐渐向网络购物方式转移。使得越来越多的用户在足不出户的情况下，电子商务系统成为更多用户选择的购物方式。但随着网站结构日益复杂以及商品种类信息越来越多也带来一个重要问题，用户经常会迷失在海量的商品信息空间中，无法顺利找出自己所需要的商品。因此，一个优质高效的电子商务推荐系统如何提高电子商务网站的竞争力与销售能力，有效地留住客户，已经逐渐成为电子商务网站中关键技术的研究内容，成为纵多研究者关注的焦点。各大电子商务网站通过推荐系统向用户提供多样化的推荐服务，使得推荐技术在实际的应用中获得了良好的效益。同时随着用户人数的指数增长与网站内容结构规模的不断扩大，也给推荐系统带来诸如推荐效率，推荐精度方面的挑战。本文从以下几点针对电子商务推荐所遇到的主要问题和所涉及的技术进行分析研究。本文首先分析了电子商务和数据挖掘的国内外研究现状并且阐述了本课题的研究意义。其次详细介绍了电子商务推荐系统中所涉及到的技术包括数据挖掘和Web数据挖掘。对数据挖掘技术作了详细阐述，介绍了数据挖掘的功能、挖掘过程、常用算法和基本任务。Web数据挖掘在电子商务推荐系统中所起的作用。通过电子商务推荐系统的简单模型介绍了其具体的工作流程和具体运用到的技术。最后，也是本文的关键，通过对Apriori算法中的项集分段并在此基础上提出了一种基于布尔矩阵的改进算法。并将改进的算法应用于推荐系统中使其可以提高系统的推荐质量，增加商家的销售量。本文对Apriori改进算法仍存在不足之处，在提供实时推荐服务的同时，对于如何高效提高推荐系统的推荐质量还需要做进一步的研究。如何将本文改进的算法与其他推荐算法组合的使用，使得各自算法的优点能够在推荐系统中得到更好的发挥也是下一步的研究方向。