互联网像星星之火一样飞速发展,用户以及其产生的信息呈爆炸式增长。而今,利用电子商务平台购物也越来越普通,逐渐也成为人们购物方式重要选择之一。但是网络购物方式为人们提供快捷服务的同时,我们不得不面对过多的商品信息。这些充斥人们眼前的过载信息成为困扰网站和用户的共同问题,推荐系统在这种情况下应运而生。在大量数据中,挖掘对用户有意义的数据,提取数据源,在分析用户行为信息和商品信息之间的关系,建立相似矩阵,在海量数据里推荐出用户感兴趣的商品列表。推荐系统的核心在于推荐算法,如何优化推荐算法,使得推荐能够高效准确是推荐系统主要关注问题。本文首先介绍了互联网下产生海量数据的来源和数据的主要存储位置,又描述了典型数据处理技术以及进行数据挖掘的主要方法。接着阐述了推荐算法发展过程、研究背景,分析了流行的几种推荐算法,为后文研究提供理论依据。随后在重点分析基于物品的协同过滤算法,考虑到在一段时间内用户产生的行为不同,时间点越接近越能反映用户的喜好特点,在短时间内用户喜欢的物品有较高的相似度的特征。在推荐系统的推荐标准下,利用“物品-物品”相似矩阵,获得物品的相似集,计算用户感兴趣物品时引入时间权重因子。设计实验方案,进行计算验证改进算法的准确性。最后,课题在花篮子系统平台下研究推荐算法的应用,分析推荐系统的应用需求、设计系统架构、给出了推荐过程中所涉及各个功能模块,和主要流程的顺序图。在系统中验证推荐结果。