矩阵分解是实现大规模数据处理与分析的一种有效工具,近年来在机器学习中越来越重视矩阵分解在特征提取方面的应用.特别的,与其它矩阵分解方法不同的是,非负矩阵分解算法是在矩阵中所有元素均为非负的条件下对其实现的非负分解,这为矩阵分解提供了一种新的思路,而这种非负性使得对于数据的特征提取变得比较容易.现在非负矩阵分解算法在模式识别、多媒体信息、文本挖掘以及基因表达等很多领域得到了广泛的应用.在数值代数中,利用矩阵分解可以将大规模的复杂的问题转化为小规模的简单的问题来求解；在应用统计领域,通过矩阵分解得到原数据阵的低秩逼近,从而可以发现数据的内在结构特征；在机器学习和模式识别的应用中,矩阵的低秩逼近可以大大降低数据特征的维数,节省存储资源和计算资源.电子商务是运用数字信息技术,对企业的各项活动进行持续优化的过程.电子商务发展的速度越来越快,这个行业的趋势变化也越来越快,电子商务网站中所销售的商品种类也越来越多,用户在线购买商品的时候就需要花费很多时间来找出自己喜欢的商品或者是能引起购买欲的商品,还要花费时间从众多同类商品中找出满足自己特别要求的商品,这个购买过程久而久之就会使得一些用户对网购失去兴趣.作为电子商务网站的经营管理者,应根据上述不同的情况采用不同的推荐内容最大限度的实现令人满意的个性化服务.推荐系统能够针对不同的用户提供满足个性化需求的服务,不仅能提高用户从信息中找到有用信息的效率,也能帮助商店经营者提高营销及服务质量,更好的挖掘潜在客户及客户的购买潜能.本文的目的在于把现今受到诸多关注的非负矩阵分解方法作为个性化推荐系统中的聚类工具,利用非负矩阵能很好提取数据潜在的特征的特点,试图使得数据(即用户)的兴趣组分类的准确度能够得到提高,以便电子商务网站推荐出的商品更符合每个用户喜好,并在一定程度上提高实时在线推荐的速度.