随着互联网技术的迅猛发展,电子商务因其方便快捷的优点而得到了人们的广泛关注。但随着商品资源数量的增长,顾客在网络购物方面很难方便快捷的在较短的时间内找到满意商品。为帮助广大顾客迅速找到其所需要的商品,同时给商家带来更高的利润,个性化推荐技术应运而生。目前,协同过滤推荐技术在个性化推荐技术中应用的比较广泛,但它存在评分矩阵过于稀疏等缺点。本文以提高推荐准确度为目标,在传统的基于用户的协同过滤算法上进行了改进,提出了一种引入RFM模型并利用用户购物行为进行相似度计算的新型推荐算法。本算法与传统算法相比,其优势主要体现在：第一,新算法中引入RFM模型对原用户群进行了多条件筛选,使推荐数据源更加准确高效；第二,改进算法中利用顾客历史消费记录对原评估矩阵进行填充处理,提高了评分矩阵的稠密度；第三,对传统的Pearson相似度计算公式进行改进,使目标用户的相似邻居查找更加准确。随后本文对该改进算法进行了仿真实验,以平均绝对误差(MAE)为衡量算法推荐质量高低的验证指标,通过与传统算法比较MAE值得出了改进算法在推荐准确性方面均优于传统算法,尤其是在评分矩阵比较稀疏的情况下。最后,本文将改进算法应用于一套具有个性化商品推荐功能的推荐系统中,开发了一个具有实用性的系统原型。