随着网络迅速地发展，信息量快速膨胀，各种数据量变得庞大且分散，用户利用传统关键词检索搜寻数据的方式变得相当费时。为了要降低用户在网络上的搜寻时间，提供用户更确切的内容信息，自动化推荐系统(Automatic Recommender System)应运而生，也越来越受到研究者的重视和相关企业的青睐。　　 本研究主要针对在线自动化推荐系统的需求，探讨如何有效地运用数据挖掘的技术从用户访问记录中挖掘出用户的喜好，然后根据合适的推荐机制和算法，把最适合用户的内容推荐给用户，以此帮助人们在浩大的信息流中找到他们真正需要的文件或信息。　　 本研究将人工神经网络中的自适应共振理论(简称ART)和数据挖掘技术结合起来，建构了一个可自动聚类族群特征且能挖掘出关联规则的自动化在线推荐机制。并针对推荐系统的特性，考虑到用户属性权重的问题，将用于用户聚类的ART算法进行改进，提出了MART聚类算法，使推荐系统可以根据用户属性的重要性来设置每一个属性节点的权重值，并用实例验证了MART算法与传统的ART算法相比，能够得到更为合理和灵活的聚类结果。　　 为验证本论文提出的算法的有效性，论文以图书推荐为例，将该自动化聚类算法应用到一个以用户为导向的自动化图书推荐系统中。该图书推荐系统首先使用MART算法根据用户属性信息产生用户聚类，由此得出每个用户的类型，存入知识库。然后使用Apriori算法挖掘出用户类型与图书之间，以及图书与图书之间的强关联规则，即每个用户类型的图书推荐规则，也同样存入知识库。当用户上线时，系统首先判断他的类型，再根据知识库中该用户类型的图书推荐规则，将适合用户喜好的图书信息主动推荐给用户。