个性化推荐系统在电子商务领域具有良好的应用前景,是电子商务技术中重要的研究内容。推荐系统通过预测用户的喜好对用户做出推荐,为用户进行信息过滤。协同过滤是经常被采用的解决信息过载问题的方法,是个性化推荐的主要方法之一。传统的协同过滤主要存在着:精确性、数据稀疏与冷启动的问题。本文首先介绍了电子商务与电子商务中个性化推荐的相关概念,接着对传统协同过滤方法中存在的问题进行进一步的分析,在分析的基础上,对传统协同过滤方法提出相应的改进方法。传统协同过滤算法在构建用户评估矩阵时,对用户未评分的项目简单填充固定值。本文利用电子商务系统中商品属于不同层次的特点,通过计算商品所属层次的RF/IRF值,将RF/IRF值高层次中商品填入特定值。从而在一定程度上解决数据稀疏性和冷启动问题。通过对传统协同过滤项目推荐公式的扩展,不再局限于最近邻居用户对某个商品的评价,而是将所有用户评价整体考虑到推荐当中。对于协同过滤技术面临的扩展性问题,对Sarwar等人提出的基于奇异值分解的协同过滤进行改进。最后通过实验,分析新提出的算法在各个评价指标上的表现。本文还将新提出的算法应用到实际的环境中,在江西省新华书店的基于Agent的个性化出版物信息服务系统的课题中使用该算法。