随着Internet的发展,网站在为用户提供越来越多信息的同时,其结构也变得更加复杂,如何及时地在网络上的海量信息中发现所需要的信息已经变得越来越困难。推荐系统模拟商店销售人员向客户提供商品推荐,帮助用户找到所需信息,可以有效保留用户,提高网站的点击率和用户的忠诚度。由于推荐系统可辅助企业达到个性化行销的目的,进而提升销售量,为企业创造最大的利润,加上个性化服务的概念兴起,使得许多电子商务企业开始重视推荐系统的应用。智能推荐系统的良好发展和应用前景,逐渐成为Web智能技术的一个重要研究内容,已经得到了众多研究者的广泛关注。近年来,推荐系统在理论和实践中都得到了快速的发展,但是随着所应用的系统规模的进一步扩大,智能推荐系统也面临着一系列的挑战。本论文对智能推荐系统中的推荐算法设计及推荐系统体系结构等关键技术进行了有益的探索和研究。本论文的研究内容主要是将神经网络和模糊逻辑应用于推荐系统中,主要涉及推荐系统的实时性、推荐系统体系结构和基于web挖掘的推荐系统的应用研究。本论文的主要研究工作如下:(1)仔细分析了经典Fuzzy ART神经网络的不足,提出了一种改进算法MFART(Modified Fuzzy ART),并通过实验表明该算法的分类效果要优于经典Fuzzy ART。(2)在推荐系统的实时性研究方面,本论文提出了一种基于web挖掘和神经网络的电子商务顾客分类方法。该方法首先提取用户在电子商务网站上的浏览历史记录和购物历史记录,并通过web挖掘的方法生成每一个顾客在该网站上的偏好模型。然后用MFA神经网络对顾客的偏好模型进行分类,从而将用户偏好类似的用户加入到同一个顾客类中。这种方法可以在进行在线推荐时能够大大缩小目标顾客的邻居用户的搜索范围,缩短推荐所需的时间,有效地提高推荐系统的实时性。(3)在推荐系统体系结构研究方面,提出了专门针对新型消费类电子产品的推荐系统体系结构。由于电子商务系统本身的复杂性,不同类型的产品需要不同类型的推荐模式。本论文提出的消费类电子产品推荐系统中融合了领域专家的知识,采用形象直观的语义模式,普通顾客在购买数码相机、笔记本电脑等消费类电子产品时为用户提供建议。同时,还实现了一个消费类电子产品的推荐系统原型CEAdviser。在CEAdviser中,顾客可以通过语义接口提出自己的需求,并通过顾客需求与领域专家的产品评价结合,寻找出最能够满足用户需求的产品推荐给