随着Internet和WWW网络的广泛普及,信息以网页为载体,传递速度飞速提升,通过Web获取信息购买产品已成为时代主流。然而网络上的各种信息资源以爆炸式的速度增长着,信息过载使人们在选择他们最满意的产品时有了沉重的负担,人们提出了很多的解决方案来解决上述问题,推荐系统便是其中之一。但是,目前的电子商务推荐系统却存在诸多不足,如推荐算法单一、数据稀疏导致的推荐质量低、产品属性类型考虑不足,只考虑属性值全部为精确或全部非精确的情况等缺点。针对上述所说问题,本文将主要在以下方面对推荐系统做深入研究:1.在推荐系统中应用Bayesian网络,充分发挥其所具有的对不确定性知识表达的强大功能,可与CBR相结合为资源发现和推荐提供强大的技术支持。提出了一种基于Bayesian CBR的推荐系统(BCRS)整体架构模型,设计了该系统的功能、结构和流程。2.将基于Bayesian CBR的推理方法引入到推荐系统中,可对大规模案例库的检索难度问题进行一定程度的改善。分析了案例的表示方法,能完整有效地表达用户特征和在购买中需要的各种信息。3.算法方面,充分考虑了属性分类与属性相互依赖关系,提出了基于距离的混合数据类型的相似度量方法。在本算法中,用户需求可以是精确型的也可是非精确型的,可以是完整的也可以是不完整的,具有更大的现实意义。4.基于以上技术及算法,本文初步实现了一个图书Web服务推荐原型系统,并设计了相应的实验进行数据测试。实验结果表明,上述算法具有较好的推荐精度。总之,本文将Bayesian网络,CBR方法和模糊数学理论整合应用到电子商务推荐系统中,并提出结合Bayesian网络的CBR系统构架及混合数据类型的相似性度量算法,研究结果对于电子商务推荐系统将有一定的参考价值。