互联网的普及和电子商务的迅速发展造成了信息的过载,用户在大量的产品信息中难以找到需要的商品,由此,电子商务推荐系统应运而生。当前,电子商务推荐系统在实际运用中还不成熟,仍然存在许多问题,如推荐质量受到庞大而稀疏的用户评价数据的严重影响、系统的可扩展性能差、推荐实时性差等。论文针对推荐系统存在的主要问题,对电子商务个性化推荐系统中的用户模型和协同过滤推荐算法进行了有益的探索和研究。协同过滤是个性化推荐系统中应用最广泛和最成功的推荐技术,但是它也面临着推荐准确度和可扩展性两大挑战。协同过滤技术分为基于内存和基于模型两种,前者的推荐准确度更高,但可扩展性比后者低。论文提出了混合用户模型,基于该模型的协同过滤推荐系统既具有基于内存协同过滤的推荐准确度,又具有基于模型协同过滤的可扩展性。在用户模型层面,论文分析了目前的协同过滤推荐中经典用户模型存在的缺陷,利用商品组合特征和人口统计信息构建了混合用户模型。混合用户模型浓缩了项目内容描述信息、用户人口统计信息和用户-项目评分矩阵,提高了用户模型的信息浓度,在一定程度上解决了稀疏性和冷开始问题。混合用户模型引入的特征兴趣度,反映了用户对特征的偏好程度,在计算用户之间相似度时更为准确。在协同过滤算法层面,论文分析了当前电子商务个性化推荐系统中常用的协同过滤推荐算法存在的稀疏性、可扩展性、实时性和推荐准确度等问题,提出了基于混合用户模型的协同过滤推荐算法。该方法采用基于内容的过滤和基于人口统计信息的过滤离线构建用户模型,然后基于该模型运用协同过滤在线产生推荐。在特征层、模型层、协同过滤算法层三个不同层次引入组合,降低了系统的复杂性和计算时间,提高了可扩展性和推荐准确度。协同过滤算法层引入了遗传算法学习用户模型中每个特征的权重取值,使系统对用户偏好的描述更加准确。采用MovieLens数据集对论文提出的改进算法进行了仿真实验。实验结果表明:基于混合用户模型的协同过滤推荐算法在推荐的准确性、完整性、可扩展性等方面均优于实验对比算法。