随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，随着信息的快速累积，用户经常会迷失在庞大的商品信息空间中，无法快速准确的找到所需要的商品。电子商务中的商品推荐系统直接与用户交互，模拟商店的销售人员向用户推荐商品，帮助用户找到所需的商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，商品推荐系统有助于留住客户、防止客户流失，提高电子商务企业的销售以及竞争力。个性化推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到了研究者越来越多的关注。其中，协同过滤推荐技术是个性化推荐领域重点研究的问题。本文主要针对协同过滤推荐技术展开研究。文章首先分析了传统的协同过滤推荐算法所存在的问题：随着电子商务系统用户数目和商品数目的日益增加，整个项目空间上用户评分数据极端稀疏，使得推荐系统的推荐质量难以提高。为了解决这个问题，本文提出了一种基于商品层次和特征的协同过滤推荐算法。该算法在计算商品相似度和用户相似度时，吸收了User-based协同过滤算法和Item-based协同过滤算法的思想，并在此基础上引入了商品特征和商品层次的概念，使得计算得出的商品相似度更加准确。在预测用户对商品的初步评分和最终评分的时候，也考虑了商品的分类，增加了预测结果的精确度，从而提高了推荐系统的推荐质量。为了验证算法的有效性，文章使用MovieLens站点提供的数据集对算法进行测试，并从多个方面与其他算法进行了比较。结果表明：基于商品特征和层次的协同过滤推荐算法有效地降低了用户商品评分的稀疏性，无论在计算商品相似性还是在预测商品评分方面都优于传统的协同过滤算法，推荐质量大大提高。此外，本文还将基于商品特征和层次的协同过滤推荐算法应用于一个实际的电子商务网站，并根据网站自身的数据存储特点，对算法作了进一步的补充。