随着互联网时代的到来，信息过载问题日益突出。在这样的背景下，20世纪90年代初，研究者们开发了最早的推荐系统，从纷繁芜杂的信息中选择用户所感兴趣的信息，推荐给用户，以帮助解决信息过载问题。在很短时间内，推荐系统从单纯的信息过滤领域，扩展到了多个应用领域，包括对音乐、电影、书籍等各种项目的推荐。10年后的现在，或简单或复杂的各种推荐系统，已经成为一个信息网站或电子商务系统，所必不可少的组件之一。现在的推荐系统，其功能已经从简单帮助用户进行项目甄别，拓展成为商务领域促进销售，提升品牌形象的重要手段。对于推荐系统的研究，也成为了理论界关注的热点，研究者们提出了协同过滤算法、基于内容的推荐算法、混合算法等不同的算法来提供更好的推荐，并不断吸收数据挖掘领域、机器学习领域的新方法，将其应用到对推荐算法的改进上来。一些领域内领先的研究小组，开发了各种实验性系统，如MovieLens等，作为其改进推荐算法的平台。当前对于推荐系统的研究，基本上都专注于对推荐算法的改进，很少有研究者从信息系统的角度，讨论推荐系统的设计实现的方法与原则，这与推荐系统实用性很强的应用背景不符。此外不同研究者对于推荐系统的研究中，往往针对不同的应用场景，提出不同的评判标准，算法与算法之间很难相互比较。针对上述情况，本文首先将研究主体界定为向用户推荐产品，以促进产品销售为目的的商务推荐系统。选择商务推荐系统的设计作为研究对象，期望能够提出一些商务推荐系统设计中的通用方法和原则，为实际系统的开发提供理论指导。本文从最本质的推荐问题定义开始全文的讨论，完成了以下工作。1)提供了更清晰的推荐问题定义，基于度量理论和效用理论，分析了现在主流推荐算法求解推荐问题存在的偏差。提出了利用区别推荐系统和推荐算法功能，来求解推荐问题的新思路。这种新方法，带来的明显优势之一是可以廓清传统研究中对于推荐效果评判准则的混乱，可以统一采用机器学习理论中的两种客观评判标准：预测精确度与分类精确度来评判推荐算法的结果，在不同的推荐算法之间能够互相对比(这是本文第2章的工作)。2)讨论了对推荐算法和推荐系统的不同评判标准，同时提出，使用用户满意度指标来评判推荐效果，对于推荐系统设计并不是必须的，我们提出一种“交流式改进”的方法指导系统对推荐效果的改进(这是本文第3章的工作)。3)基于以上两种通用方法的指导，按照商务推荐系统所应实现的两个目标(促进销售，和提升系统的品牌价值)，设计了一个智能商务推荐系统框架(这是本文第4章的工作)。4)按照Whitten的信息系统架构，进一步从数据角度、接口角度、流程角度、系统算法角度等各个信息系统构件层面，讨论了商务推荐系统设计中的一些基本原则和方法(这是本文第5章的工作)。5)从多种推荐算法融合和推荐算法改进两个方面深入讨论了系统应用构件中推荐算法的设计。其中对推荐算法的改进上，我们引入支持向量机和贝叶斯网络来实现基于内容的推荐算法，实验结果表明，与传统的协同过滤算法相比，两种方法能够高效的给出优于或近似于传统协同过滤算法相近的预测精度。显示了以上两种工具在推荐算法改进应用中的巨大潜力。(这是本文第6章的工作)。