科技的高速发展，不仅推动着经济社会的进步，同时也给人们生活带来了便利。互联网Web2.0技术的日益成熟，进一步推动了电子商务的发展。目前，基于互联网的电子商务平台数量日益增多，应用也日益广泛，伴随而来的则是与日俱增的信息量。虽然信息量的增多可以给用户带来更多的选择，但同时也导致了用户的信息量过载，无法从中快速提取或者发现自己想要的信息。个性化推荐系统就是基于用户和电商的这种需求而诞生的。对于用户而言，一个性能优越的推荐系统，可以主动给用户推荐其感兴趣的产品，既节省了时间，同时也给用户带来了良好的个性化体验。对于电商而言，推荐系统拥有无比巨大的商业潜力，该系统不但可以保持老用户群体，而且还能挖掘新用户群体。作为推荐系统的核心部分--个性化推荐算法，算法性能的好坏直接影响着用户消费满意度以及电商的利润。鉴于此，推荐算法成为了当今电子商务领域的一颗新星。为了给用户提供更高效、更准确的推荐服务，同时给电商带来更大的商业价值，人们一方面不断对已有算法进行改进，同时也在不断研究新的算法。本文首先分析了现有推荐算法的不足，接着从用户交互产品和未交互产品两个方向对算法进行改进，最后通过实验仿真，验证了本文改进算法的有效性。本文研究的内容为：（1）交互产品的预测。本文提出了多维逻辑回归推荐算法，该算法在传统逻辑回归的基础上，引入了时间特征体系以及Bootstrap重抽样技术。由于采用了Bootstrap重抽样技术，就会导致参数设置问题，如子模型个数、特征个数以及正负样本数。为了解决该问题，本文采用遗传算法进行参数优化。第五章的仿真实验结果也表明了该算法对交互产品的预测具有很好的效果。（2）未交互产品的预测。本文提出的协同过滤推荐算法，在生成用户-产品评分矩阵之前，先采用记忆遗忘函数对评分进行衰减；接着计算相似度，同时考虑用户属性和产品属性，并且采用逻辑回归训练出特征权重；最后采用适当的权重将基于用户和基于项目的协同过滤推荐结果结合起来。综合以上改进，本文改进后的协同过滤推荐算法，预测准确率得到了很大提升。（3）最后，本文将交互产品和未交互产品的预测算法有效的结合起来，在预测性能上，进一步得到了提升。