电子商务推荐系统是电子商务网站用来向顾客提供商品信息和建议，并模拟商店销售人员帮助顾客顺利完成购买过程。随着电子商务的快速发展，越来越多的电子商务网站开通了个性化信息推荐服务。　　电子商务个性化推荐系统通过预测用户对项目的喜好程度来为用户进行信息过滤，应用知识发现技术来生成个性化推荐。推荐方法的研究是其核心部分，主流推荐方法包括:知识工程、基于内容的推荐方法、协同过滤推荐方法、混合推荐方法、数据挖掘方法等。现在协同过滤方法是最成功的推荐方法。随着电子商务系统规模的日益扩大，协同过滤推荐方法也面临诸多挑战:推荐质量、可扩展性、数据稀疏性、冷启动、精确性问题等。　　本文对电子商务推荐系统进行了深入地研究，详尽分析了协同过滤算法所面临的挑战，在此基础上，提出了改进数据稀疏性问题的资源扩散算法和其在2-模式网络中的扩展算法，并通过实验对该改进算法进行了测试，验证了改进算法的合理性和有效性，从而可以有效解决用户评分数据极端稀疏情况下传统方法存在的不足，有效地提高了电子商务推荐算法的推荐质量。　　最后，本文提出了个性化推荐平台的设计实施架构，实现了推荐系统的实验原型。通过分析挖掘系统中用户行为记录来收集用户喜好信息和商品信息，应用改进推荐的方法，实现对不同用户的个性化商品推荐，为用户提供更加个性化、智能化的服务。在用户需求尚未明确，或者需求难以表述的情况下具有更高的效率。