随着计算机网络的飞速发展以及我国的电子商务的发展繁荣,网上购物已经逐渐成为现代人日常生活购物的常用手段。而且我国一带一路政策的逐渐深入,我国与其他国家的贸易往来必将更加密切,国外的产品逐渐进入我国网购用户的视野,被网购用户逐渐接受并受到用户的青睐。跨境电子商务在此大背景下发展迅速,具有跨境电子商务业务的企业在不断增多,这些企业借助电子商务系统为终端消费者提供商品。具有跨境特征的电子商务系统在运营中的特征是常常需要引进同类产品的不同产地、不同品牌的商品,使得系统中所提供的产品品类繁杂且单品量小,如何将新引进的商品推荐给客户是系统在运营过程必须考虑的问题。本文以一个处在运营初期且具有跨境特征的电子商务系统的企业实际需求为研究背景开展推荐模型的研究,对减少消费者搜索商品的时间并帮助消费者购买到符合其心意的商品,提高用户购物体验,同时帮助企业提高网购客户的黏度提高服务质量,进而提升系统运营效率具有重要的现实意义。本文在对相关理论进行研究的基础上,重点研究了如何挖掘客户需求,如何实现商品推荐的方法,研究发现目前推荐算法主要采用基于评分的协同过滤方法,由于用户评分受到多种因素的影响,其在客观性和可信度方面存在一定缺陷,导致推荐效果不佳。本文提出了一种基于消费行为相似度的推荐算法,利用电子商务系统中存储的客户消费单首先实现客户、商品以及购买行为相似度划分形成簇后,再利用关联规则算法进行挖掘分析获取推荐规则,能够较好地解决协同过滤算法中存在的问题。另外,在电子商务系统运营中不断出现新客户和不断有新的境外商品被引入到系统中,如何向新客户推荐商品,如何将新商品推荐给客户,即如何解决系统的“冷启动”问题,本文结合基于相似度划分得到的聚簇并对聚簇进行关联分析得到推荐规则,提出相应的推荐算法。同时也提出了日常消费和促销情形下的推荐方法。通过实例分析表明,经过相似度划分聚簇后的关联分析所得到推荐规则相比于没有聚簇的关联分析具有更高的置信度,能够更好地提高推荐结果的准确性,同时也能够很好地解决新用户和新商品的引入而产生的“冷启动”问题,对提升客户黏度和提高客户满意度有着重要的作用。