随着电子商务规模的进一步扩大，为顾客提供越来越多选择的同时，其结构也变得更加复杂。一方面，顾客面对大量的商品信息束手无策，经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品；另一方面，商家数据库里保存着大量顾客的信息，当商家有商品需要促销时，无法从大量的顾客中找到正确的促销对象。智能推荐系统模拟商店销售人员向顾客提供商品推荐，帮助顾客找到所需商品，从而顺利完成购买过程，因此可以有效保留顾客，提高电子商务系统的销售；同时，商家也可以通过智能推荐系统针对某项商品发现潜在的顾客，进行有针对性的促销，在节省促销成本的同时提高商品促销的响应率。 智能推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为网络智能和电子商务信息技术的一个重要研究内容，得到越了来越多研究者的关注。 智能推荐系统在研究领域获得了广泛关注，在实际的电子商务系统中也得到了广泛应用。但是，随着电子商务系统规模越来越大，智能推荐系统也面临着一系列挑战。本文针对智能推荐系统中的某些热点问题进行了有益的研究和探索。 本文主要对协同过滤推荐技术的数据稀疏性问题以及目标营销所处理的数据具有类别不均衡的特点进行了研究：将统计相似模型应用到协同过滤的相似用户计算中克服稀疏性问题对相似用户计算的影响以及将特异性应用到目标营销中，解决数据的类别不均衡问题。 本文的主要研究成果如下： 在协同过滤推荐技术中，每个用户一般都只对很少的项目做出评价，整个数据矩阵变得非常稀疏，一般都在1％以下，这种情况带来的问题是得到用户间的相似性不准确，邻居用户不可靠。本文将统计相似模型应用到协同过滤的相似用户的计算当中克服稀疏性问题对相似用户计算的影响。 目标营销所处理的数据具有类别不均衡的特点，在大多数目标营销的现实数据集中实际购买商品的顾客只占1％左右，文中利用现实数据中类别不平衡的特点，通过特异性对顾客排序，从而找出具有市场价值的顾客。实验表明挖掘顾客数据的特异性将有助于解决目标营销问题，文中采用的方法是有效的。 实现了一个智能推荐原型系统。在本文研究成果的基础上，实现了一个电影推荐原型系统。该电影推荐系统采用协同过滤推荐推荐技术，根据用户对某些电影的评分历史，向其推荐可能感兴趣的电影。