随着互联网的普及，如何在电子虚拟世界中吸引新的客户，并留住已有客户成为许多电子商务系统的首要任务。推荐系统向用户提供商品信息和建议，模拟商店销售人员向客户推荐商品完成购买过程，在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。 　　协同过滤推荐技术是至今最成功的推荐技术，但存在推荐质量问题和扩展性两大问题。从本质上来说，提高推荐质量和增强可扩展性是互相对立的。目前国内外特别是国内的研究主要集中在推荐质量问题的研究上，而对扩展性问题的讨论并不多见。扩展性问题主要是指随着系统规模的不断增大，系统响应时间不断增长，以至于达到一定程度时响应时间令用户无法忍受。已有的解决方法在降低推荐响应时间的同时往往导致推荐质量的明显下降。 　　本文在传统协同过滤推荐系统中创新地引入了离线运行的基于遗传算法的聚类分析子系统，并给出了它的设计及实现，另外在获取最近邻居时只搜索目标用户的同簇用户，使之成为基于遗传聚类的协同过滤推荐系统。实验表明，传统协同过滤推荐系统响应时间随着用户数量线性增长，而基于遗传聚类的协同过滤推荐系统响应时间在用户数量不断增大时基本保持不变；另一个面，基于遗传聚类的协同过滤推荐系统的推荐质量与传统协同过滤推荐系统相比基本没有下降。因此，基于遗传聚类的协同过滤推荐系统很好地解决了协同过滤推荐系统的扩展性问题。