随着Internet的普及和电子商务的广泛应用,用户在体验了网上购物所带来的极大便捷的同时,也面临着网上信息过载所造成的困境,用户在海量的商品信息中难以寻找自身感兴趣和需要的商品,不利于未来电子商务的高速发展。为了适应广大用户的需求,研究以用户为中心模式下的电子商务推荐系统的推荐算法,以获取用户的好感和创造更大的商业价值,具有广泛的应用价值和研究意义。本文围绕以用户为中心模式下的电子商务推荐系统的关键技术——C2B模式下协同过滤技术的研究和改进展开的,主要完成了以下工作:(1)分析了C2B电子商务模式下协同过滤技术面临的严峻挑战,主要包括数据的稀疏性问题、冷启动问题和可扩展性问题三大方面。针对稀疏性和冷启动问题,本文提出了一种基于用户和项目模型的混合协同过滤算法。(2)为了使该算法比传统算法更能代表用户的特征属性并具有更高的用户预测准确度,本文采用经过统计后的用户特征向量代替原始评分向量构建用户兴趣模型;引入评价因子S对原始项目相似性度量公式进行修正,计算项目相似性构建项目兴趣模型,以提高项目预测的相似度;引入控制因子α对用户和项目预测评分两方面进行加权综合预测,可一定程度上缓解系统初期的“冷启动”问题,最终提高系统推荐质量。(3)设计对应的实验方案,验证基于用户-项目的混合协同过滤算法的可行性。采用公认的MovieLens协同过滤算法实验数据集对改进算法进行仿真实验,实验结果表明,在用户-项目评分数据集极端稀疏的情况下,基于用户-项目的混合协同过滤算法比传统的协同过滤算法具有更好的推荐效果。