随着电子商务的发展和互联网“信息过载”问题的加剧,电商企业如何满足消费者对信息精准化和个性化的需求,使得用户在海量的信息中只需较低的成本,就能得到自己需要的商品或者信息,提高消费者的体验以及满意程度,对传统电商而言尤为重要。随着移动互联网的发展,推荐算法面临着新的挑战,移动电商对其精确性和针对性提出了更高的要求,在新的形势下,信息的推荐就变得更为专业和复杂。基本的推荐技术有两种：基于内容的推荐和协同过滤推荐。两者有各有优点和不足：基于内容的推荐是从项目的角度出发,通过分析用户访问过的项目特征,然后将与这些项目相似的用户未访问的项目推荐给用户,其缺点是忽略了用户的潜在兴趣；与之不同的是,协同过滤从用户的角度出发,通过分析用户的相似性,然后将相似用户的喜欢的项目推荐给活动用户,但是协同过滤本身存在着数据稀疏、冷启动等问题。个性化推荐系统通过对用户信息进行分析,向用户推荐可能感兴趣的商品,从而在一定程度上缓解信息过载的问题,帮助用户在大量的信息中寻找到满足自己个性需求的信息。随着移动终端的大范围普及和移动互联网技术的不断进步,消费者接受信息的方式从传统PC向手机或者平板等移动终端转移。在移动互联网的环境中,终端从PC变为了更为个性化的手机等,对推荐的个性化和精准性就提出了更高的要求。本文在对这两种技术的推荐原理详细分析的基础上,总结分析基于内容的推荐和协同过滤两种推荐技术的优势,提出了基于内容的用户偏好模型,在用户和评分数据较少的情况下,提高了协同过滤的效率,实现了较为准确的推荐。本文采用Netflix数据集和Taste推荐引擎,对提出的模型进行了有效性验证。最后本文将推荐系统应用到手机电子优惠券软件中,实现了优惠券的推荐。