在这个信息技术不断爆发的时代里,新产品和新技术不断的涌现在人们的视野中。网络购物更是从鲜有人知到目前成为大众购物的优先选择,不同年龄的人群都被其便捷和经济实惠的优点所吸引。由此产生了电子商务领域的海量数据,其中既有显示的数据,如用户的购买信息、商品评价信息；也有隐示的数据,如用户浏览一个页面的次数、用户在浏览某个商品所花费的时间等。用户在面对这些海量数据时,往往会产生迷茫,不知道如何选择。商家也急切的希望从这些海量数据中找到潜在的规律,希望利用这些规律创造更大的经济利益。个性化推荐系统已经被很多大型的电子商务网站所应用,它可以帮助用户在浩瀚的商品信息海洋中找到自己感兴趣的物品,这既可以提高商品的购买率,也增加了用户的粘性。个性化推荐技术的一个重要表现形式就是智能化的服务推荐系统,其在电子商务领域已经有着不可替代的作用。目前,许多著名的电子商务网站都在其服务平台中加入了推荐引擎,如亚马逊、淘宝、京东商城等。为了得到更为准确的推荐结果,许多学者和研究者提出了各种各样的推荐技术,如贝叶斯分析、主成分分析、数据挖掘技术的应用等,都各有所长。随着应用的不断推广以及数据爆炸似的增长,目前需要解决的问题就是过于稀疏的数据矩阵和系统的冷启动,这些都严重的影响了推荐质量。通过推荐引擎的应用与发展,人们发现混合的推荐引擎的模型相比较于单一技术的模型有着更好的推荐质量。本研究通过对基于协同过滤的推荐系统的研究,提出了应用主成分分析的方法对过于稀疏的用户-项目矩阵进行降维处理,将Fuzzy Art神经网络算法用于数据的聚类,以提高聚类的效果和推荐的质量。还考虑了将聚类结果用KdTree的结构进行存储,提高了邻居用户的搜索速度和相似度。本研究提出的推荐模型相比于传统的推荐算法不仅在推荐准确度上有了很大的提高,并且也缓解了数据过于稀疏的问题。