移动商城行业竞争日益激烈,如何针对客户特征,实现产品的个性化推荐是当前商城进行精准营销的重要内容。当前商城大部分采用了客户产品检索、产品名称和主题的匹配模式进行产品关联推荐,但这种推荐方法没有考虑客户产品浏览时长因素,未把用户兴趣和产品类型相结合实现产品的推荐。本系统通过客户基本特征、产品订单以及产品浏览行为等因素来分析客户的兴趣点,利用推荐算法来实现了网上产品客户营销,提高了营销的准确性。论文在分析了国内外算法和推荐系统基础上,完成以下研究工作:（1）通过用户参与网上产品浏览行为获取用户特征。获取途径主要包含两种:第一种途径是用户的注册信息,即客户在初始注册阶段时,注册的个人信息,包括客户的年龄、学历、从事的工作等属性;另外一种获取客户特征的途径是客户在网上浏览的产品或购买的产品信息,通过客户的浏览网上产品或购买产品信息,提取同类客户的相关信息,获取客户产品兴趣点。从而完成对客户特征获取功能部分研究分析,并基于用户影响关系的协同过滤推荐算法,实现客户影响关系模型设计。（2）为提高产品推荐的准确度,系统针对不同类型的产品,在客户影响关系模型基础,引入了频次权重系数,形成新的客户影响关系模型。通过系数计算兴趣特征值,实现客户产品兴趣评级,提高客户兴趣特征的准确性,全面反映客户需求,完成客户产品兴趣模型的设计。（3）在完成客户产品兴趣模型的基础上,根据兴趣度值的大小,通过将客户与单个产品之间的兴趣度拓展到与每个产品资源之间的兴趣度,找出前N个产品,进行客户Top-N的产品推荐,完成客户推荐模型设计。论文通过系统需求分析,从而确定使用推荐算法完成客户推荐模型构建,进一步设计系统框架。通过流程图、时序图和关键算法,设计客户管理、产品检索和商品推荐等系统模块,并通过Java EE框架完成系统模块实现。最后,对比分析本系统基于用户影响关系的协同过滤推荐算法与其他不同推荐算法的不同效果,完成系统功能和性能的测试。通过测试表明,论文所设计的产品推荐系统,满足了公司产品精准营销的需求。