随着互联网时代的到来,电子商务以其实惠、便捷的购物优势逐渐赢得人们的青睐,网络购物已经成为一种普遍的消费行为。然而,随着商业规模不断扩大和商品数量急剧膨胀,电子商务呈现出信息过载的趋势。海量的商品信息在给用户带来更多选择的同时,也为用户及时搜寻令自己满意的商品带来诸多不便。这种负担在移动互联网的冲击下显得更为突出。移动互联网技术的发展使得手机等移动设备正在逐步取代传统的PC机成为人们获取信息的主要途径,移动网络用户规模的增长促使电子商务由PC端向移动领域扩展,开启了移动电子商务的全新商业模式。而由于移动终端显示和处理能力的限制,移动电子商务将面临更为严峻的信息过载问题。个性化推荐系统能够为用户提供实时精准的个性化推荐服务,提高用户的满意度和忠诚度,进而促进商品销售。因此,为了让移动端用户能够快速轻松地找到自已需要的商品,基于移动平台的个性化推荐系统的研究显得尤为重要。本文首先从电子商务个性化推荐系统的基本理论着手,阐述了传统的电子商务推荐系统的概念、作用及整体架构,并对常见的几种个性化推荐算法进行了分析和比较,发现协同过滤算法具有明显优势。其次,本文对协同过滤算法进行了研究,描述了传统协同过滤算法的概念、分类和面临的瓶颈问题。随后,挑选了较传统协同过滤算法更加高效准确的Slope one算法进行研究,分析其优点、原理及流程,并找出其存在的不足之处。本着提高推荐质量的目的,针对Slope one算法未考虑用户兴趣变化和用户相似性这两方面的问题,提出了基于用户兴趣遗忘函数和用户最近邻居筛选策略的改进方案,同时利用MovieLens数据集进行了实验测试,证明了改进方案的可行性。然后,本文将改进算法用于实践,选取Android作为研究的基础平台,详细阐述了基于Android移动平台的电子商务个性化推荐系统的设计和实现工作。最后,本文对研究工作进行了总结和展望。目前针对移动电子商务的个性化推荐系统的研究才刚刚起步,本文的研究成果对电子商务企业在移动平台上构建个性化推荐系统具有一定的参考价值。