随着网络技术的发展和不断完善,电子商务已经覆盖了整个营销网络,成为一种新的商务通信通道,为了使用户得到更好的购买体验,个性化的推荐系统渐渐兴起。个性化推荐系统对网站的历史记录进行分析,挖掘用户兴趣,预测并推荐用户可能感兴趣的商品。协同过滤技术是个性化推荐系统中较常用的推荐技术,但是随着个性化推荐系统的发展及应用,该技术存在的稀疏性、冷启动、可扩展性等问题日益成为推荐的瓶颈。经过深入的研究和分析,本文对传统的协同过滤算法进行了改进。改进的方法是首先在概念分层技术的基础上,采用项目评分度等概念,对用户-项目评分矩阵进行缩减,构建用户-项目评分候选集,提高推荐算法的可扩展性；其次引入“项目客观特征偏向”和“兴趣偏向度”概念,并对稀疏的用户-项目评分候选集进行更加合理的填充,以缓解数据稀疏性和冷启动问题带来的影响；最后在预测项目评分时,使用用户对一类项目的评分平均值来度量用户的评分习惯,提出基于项目类评分尺度的推荐公式,以提高预测准确性。经过实验及各评价规则上的测试分析,改进的协同过滤算法较传统协同过滤算法有更佳的推荐效果。最后本文选择了电子商务个性化推荐系统的典型案例——图书推荐系统进行开发和实现,将改进的协同过滤算法应用到图书推荐服务中,进一步核准了此算法的实用性。