推荐系统是电子商务系统最重要的技术之一，其作用在于替代传统商业经营模式中的导购员。借助各种推荐系统，用户可以快速准确的找到自己需要的商品。　　协同过滤推荐系统是目前应用最广泛和最成功的推荐系统，通过分析用户之间或商品之间的协同关系，系统可以得到用户的购买偏好或商品的受欢迎程度，以此作为推荐的依据。协同过滤推荐并不依赖于商品本身的属性，因此能很好满足商品极大丰富条件下的电子商务推荐系统的要求。　　传统的协同过滤推荐系统在应用中还有一些亟待解决的问题，突出表现在数据稀疏性及系统扩展性问题上。随着商品种类和用户数量的增加，数据的稀疏性也将急剧增加，由此得到的用户偏好和商品的受欢迎程度往往不准确，产生的推荐效果不理想。　　本文在研究与比较了各种传统协同过滤推荐算法的基础上，针对以上问题，引入了基于云模型的相似度度量方法，提出了定性知识指导下的协同过滤推荐算法，使推荐的精度有了很大的提高。本文的主要工作如下：　　首先，在传统协同过滤推荐算法中引入了基于云模型的相似度计算方法，从而克服了传统相似度计算方法严格属性匹配的不足，大大降低了数据稀疏性对推荐精度的影响。　　其次，在引入云模型相似度的前提下，提出了一种定性知识指导下的协同过滤推荐算法，协同过滤推荐中“相似”、“偏好”等概念的模糊性与不确定性通过云模型得到了很好的反映，使得算法更符合人类的思维模式。　　第三，在分析传统的加权平均策略的基础上，提出了一种基于评分频度的推荐策略，进一步提高了算法的推荐精度。