电子商务迅速发展,在网站上存在大量的信息,为顾客和电子商务公司提供了巨大的挑战和机会。随着网络技术的飞速发展,网页的数量呈几何级数急剧增长,用户想要找到自己所需要的信息需要花费大量的时间。个性化推荐技术可以根据用户历史行为,挖掘用户兴趣,进而将用户需要的信息或商品推荐给用户,减少用户寻找的时间。在日趋激烈的竞争环境下,个性化推荐系统已经不仅仅是一种商业营销手段,更重要的是可以增进用户的黏着性,增加用户的忠诚度,给电子商务领域带来巨大的商业利益。本文介绍了协同过滤推荐算法的主要内容,以及PageRank搜索算法的思想和算法的步骤,针对传统协同过滤推荐算法在计算相似性函数时未考虑商品权重对用户相似度的影响的问题,将PageRank算法的计算思想和协同过滤算法相结合,提出了一种考虑商品排名和用户偏好的推荐算法(LTR)。首先,根据PageRank算法思想计算商品的排名,优化相似度函数,提高推荐准确度。主要分为两个阶段:一是将排名高的商品赋予更高的权重,根据商品权重计算用户相似度;二是,根据用户相似度寻找邻居用户,选择邻居用户购买的排名高的商品推荐给目标用户,提高推荐质量。其次,在相似性函数中加入评分系数。考虑评分系数对计算用户相似性的影响,对相似性函数进行优化,进而计算用户相似度,进行推荐。最后,运用Movielens数据库中的100,000条数据进行验证,共进行了7次实验,结果验证了改进算法的推荐效果明显优于改进前的推荐算法。