准确、高效的推荐系统可以挖掘用户潜在的选择倾向,为众多的用户提供个性化服务。随着移动互联网技术的成熟和互联网公司业务的集团化,个跨平台的个性化推荐系统将极大的增加用户粘性,提高用户体验。最近优秀的个性化推荐研究主要是围绕着提高推荐算法效率或者是精度上,相对较少关注跨平台、跨域的用户需求。因此,本文从跨平台的用户体验需求出发,设计了一种基于关联规则的个性化推荐系统,包括以下几个方面。首先,本文设计了一种基于cookie单点登录的云端存储协议,用来实现用户使用数据的跨平台、跨域存储。根据存储协议的设计,本文所提出的个性化推荐系统需要满足高效返回推荐结果的要求。而常规的基于内容的个性化推荐算法首先要维护所有用户的配置文件,而且每次推荐要遍历所有产品或者页面得到最佳的推荐,这对于本文提出的跨平台的云端个性化推荐系统是不适用的。进而,出于高效返回的需求,本文提出了一种基于关联规则的个性化推荐算法,用三个步骤来满足云端个性化推荐系统的实时需求。第一步,采用了非实时更新的频繁模式识别算法,根据用户以往云端数据建立频繁模式库。第二步,为了减少实时进行个性化推荐的难度,进行基于频繁模式库的特征映射,设计了聚类算法并以此来聚类分析。第三步,根据聚类的结果,设计类内考察的具体标准,得到针对每类用户的频繁模式,从而完成了个性化推荐算法的设计。最后,本文将推荐算法应用于互联网实际系统,对实际用户序列进行数据挖掘,从精度和效率角度进行验证个性化推荐算法的可行性。本文从跨平台的个性化推荐需求出发,提出了一种云端存储设计,并设计了与之匹配的基于关联的数据处理算法。该算法在考虑了实际系统需求的同时,也将用户的类群特点反映考虑在内,实现了对于准确度的兼顾,对于提升互联网用户体验和实现互联网业务整合有着一定的价值。