网上购物的兴起,使人们享受到了前所未有的便利。不过,随着电子商务网站数量和规模的不断扩大,顾客需要越来越多的时间去寻找自己想要购买的商品。一方面,用户面对大量的信息却束手无策,经常会受到“信息超载”的折磨;另一方面,电子商务网站也因此失去了与用户的联系,不能与用户建立起稳固的合作关系。解决这些问题的重点是将电子商务网站请求从被动接受访问者的形式转化为主动推测访问者的信息需求的形式,实现电子商务系统对访问者的主动信息服务。于是个性化推荐系统就应运而生了。现如今电子商务领域逐渐转为红海,一个优秀的个性化推荐系统可以起到保住老客户、吸引新客户的作用,能有效的提高电子商务网站的销售业绩。　　传统的推荐算法大致可以分成如下几类:基于内容的推荐算法、协同过滤推荐算法、基于知识的推荐算法和组合推荐算法。这些传统推荐算法存在冷启动、稀疏性、扩展性等问题。　　本文以移动电子商务系统作为实验平台,采用HTML5这一前沿技术进行跨平台的开发,针对现有的各种推荐算法的缺点和不足提出一种基于动态阈值的个性化推荐算法,并对电子商务平台上的推荐系统进行优化,依据移动平台的特点加入了特有的因素,使得推荐效率得到提升。本文主要工作如下:　　1)对目前流行的推荐算法进行了比较研究,并找出了各种算法的优点和不足。　　2)以协同过滤推荐算法为基础采用预先制定规则的方法解决推荐系统初期的冷启动问题;采用建立“项目-项目”评分矩阵的方法,解决推荐系统的扩展性问题,降低大量用户访问时的线上压力;采用奇异值分解和聚类相结合的办法解决当用户和项目增多时推荐系统面对的数据稀疏性问题。　　3)提出一种基于动态阈值的个性化推荐算法。在不同用户数据规模下,采用阈值调整关联规则和个性化推荐的权重,既保证了推荐结果的准确性又不失其个性化。　　4)针对电子商务的需求,采用最新的HTML5技术开发跨平台的移动应用,并加入了地理位置、使用时间等个性化的元素,在现实环境中对本文设计的推荐算法进行检验。　　5)最后对个性化推荐系统的发展方向和在电子商务领域的进一步应用做了探讨和展望。