随着电子商务的发展,个性的内容推荐系统对电子商务网站来说尤为重要。本文首先介绍了电子商务个性化内容推荐的相关概念,以及国内外研究现状,分析与研究了各种推荐算法及其优缺点,针对传统协同过滤方法存在的数据稀疏,冷开始及奇异发现的问题,提出了基于数据挖掘方法的相应改进思路。针对数据稀疏问题使用了用户评分矩阵,将隐式数据转化为显示数据；对于冷启动问题设计了基于聚类的协同过滤推荐方法,并对k-means聚类算法依赖初始K值进行了选取方法的改进,引入了平均用户相似度,根据用户的内在联系实现自动划分聚类,并对改进的算法进行了详细描述；针对奇异发现的问题,本文引入了关联分析的方法,利用关联规则通过从数据集中识别频繁项集,然后再利用这些规则去创建描述商品关联关系的过程,实现了跨类别的推荐。最后对电子商务推荐系统的整体框架和个性化内容的推荐模块进行了详细设计。并将整个研究内容运用到实际的电子商务系统下,对网站实际浏览量和购买量进行综合评估测试,结果表明,改进后协同过滤算法有效解决了传统算法所存在的问题,提高了网站整体的浏览量和购买量,进一步证实本课题研究内容运用到电子商务网站中的具有实际意义。