互联网的迅猛革命将我们带入了信息社会和网络经济时代,对企业发展和个人生活都产生了深远的影响。基于互联网电子商务模式的虚拟企业不再需要像传统物理环境下的企业那样大量的实体投资,还能是与顾客、供应商之间建立起更加直接的联系。以用户为核心的新兴互联网站点也可以抛开传统媒介的限制,将自己的影响力以更丰富的方式传达给更多的潜在客户。在虚拟环境下,网络应用所提供的商品或信息的种类和数量非常繁多,用户难以通过计算机屏幕一眼就找到所想要的信息。因此,应用服务提供者需要一些智能化的指导算法,根据用户的购买习惯等知识推荐用户可能感兴趣的商品或信息,使用户能够方便地获取自己所需。而且从现实经验来看,用户的需求常常是模糊的、不明确的,可能会对某些商品或信息存在着潜在的喜好。这时如果服务提供者能够把适合用户的商品或信息推荐给用户,就可能把用户的潜在需求变为现实进而盈利。在这种背景下,推荐系统(Recommendation Systems)应运而生,它根据用户的特征如习惯、爱好,推荐可能满足用户需求的对象。例如,以商品为推荐对象的电子商务个性化推荐系统,以新闻为推荐对象的社会化新闻推荐系统,等等。推荐系统的实现方法众多,但由于其所面临的数据特征千差万别,因此没有哪一种现有的基础推荐算法能在各式各样的环境下都取得良好的效果,现实应用中则大多采用混合多种基础方法的推荐策略。本文研究了推荐系统的应用场景和主要的实现算法,并针对推荐系统的应用特点,提出了一种新型的基础推荐算法。它以基于关联规则算法的推荐系统为原型,研究如何通过秩相关度(Rank Correlation)从根本上改变支持度的计算方法,来克服传统关联规则算法必须进行数据离散化的缺点,以提高基于关联规则算法的推荐系统的准确率。然后,以本文的算法和协同过滤等多种经典推荐算法为基础,构建了一个多功能、多算法的个性化推荐系统原型。最后,将该系统原型应用于推荐系统研究领域的经典数据集,通过比较不同算法产生的推荐结果的准确率,说明本文所提出算法的良好的实用性。