本文系统地阐述了Web数据挖掘相关理论知识及其在真实Web环境中的整个挖掘流程并对其在个性化推荐系统中涉及的各种挖掘算法进行了深入研究。算法包括相似度算法,协同过滤算法等。针对传统的及改进的协同过滤算法存在的不足,本文提出了基于用户隐性评价的Combo协同过滤算法,算法的核心是首先对传统的显性评分机制进行改进,在用户显性评分机制中融入用户的隐性评分信息,而对于未评分的项采用简单的默认值方式处理。然后利用修正的项评分数据进行分级聚类分析,得到一颗分级聚类树,继而结合相关领域知识从分级聚类树中抽象出知识层次树,并对知识层次树构建一个用户种类评价模型以及聚类树到层次树的映射函数F。最后在为目标用户产生推荐的时候,Combo算法会首先分析此用户已平分项的相关信息,然后通过映射函数F找到其涉及项所对应的用户种类评分集,并通过此评分集发现“近邻用户集”,继而产生精确推荐。最后,本文针对Combo算法设计了一个简化的推荐系统框架,并对Combo算法进行了实验仿真,证明此算法在面对个性化推荐系统中遇到的评分数据稀疏问题、网络推手作弊问题时表现出良好的推荐能力。