随着互联网的高速发展,人们的生活越来越依赖于网络,最基本的衣食住行都已经与网络紧密关联。互联网给用户提供了大量的商品,如何从中选择需要的商品成为一项艰巨的工作。推荐系统的出现,极大地减少了用户的工作量,同时也提高了网店的商品销售量。现有的推荐系统一般是站在用户的角度、通过用户对商品的评价和浏览记录等,来推荐让用户更满意的商品,但鲜有站在网商的角度,从商品的排列来进行推荐的。与现有推荐系统站在用户角度进行推荐不同,本文提出站在网商的角度,通过对销售数据的分析,预测商品销售利润,来进行商品的排列和推荐,从而帮助网商获取尽可能大的利润。目前,尚无其他人进行类似研究工作。本文提出了一种基于粗糙集和改进聚类的网上商店商品排列方法,首先引入粗糙集理论,利用QuickReduct约简算法对影响商品利润的条件属性进行约简,获得约简后的属性及其相关的重要性;其次采用基于属性重要性的加权欧氏距离对数据进行K-means聚类;然后通过BP神经网络算法,建立各个类的相关利润预测模型,预测各类商品的利润;最后依据商品预测利润进行商品的排列和推荐。本文的主要工作如下:(1)阐述了现有的网购推荐系统现状,并对网络信息排名的相关研究进行介绍,分析并提出了从商品排列的角度进行商品分析的方法。(2)提出了采用QuickReduct算法对影响商品利润的多种因素进行约简,对约简后的数据,利用基于加权欧氏距离的K-means方法进行聚类,从而进行商品分类的思想。(3)采用BP神经网络来建立各个聚类的利润预测模型,通过商品预测利润,对商品进行排列和推荐。本文以某超市的供销数据为数据集进行实验,并且通过不同的数据处理方式来进行实验结果对比分析,验证了本文提出方法的有效性。实验结果表明,本文提出的方法具有一定的参考价值。