随着互联网的普及和电子商务的发展，电子商务系统结构变得越来越复杂，用户经常会迷失在大量的商品信息空间中。电子商务推荐系统能够直接与用户交互，向访问网站的顾客提供商品信息和建议，并模拟销售人员帮助顾客完成购买过程。推荐算法处于整个推荐系统的核心位置，采用哪种推荐算法对推荐系统的效果和效率至关重要。现在最成功的是协同过滤算法，它分析并利用与当前用户行为相近的一组用户的偏好，向当前用户作有针对性的推荐。针对电子商务推荐系统面临的主要问题，本文对电子商务推荐系统中推荐算法设计以及体系结构等关键技术进行了比较深入的探索和研究。　　 从Web日志中提取用户、项、访问时间、访问次数等信息来获取用户兴趣度打分值，可以有效的缓解通过网站的注册用户和这些注册用户对商品的评价来获取所产生的数据稀疏性问题，所以Web日志数据的质量就显得非常重要。在Web日志数据预处理的过程中，针对Web同志挖掘中的会话识别问题，本文分别对“Timeout方法”，“参引长度法”进行改进，提出了一种改进的会话识别方法。该方法运用网站的拓扑结构信息，动态设定各页面的时间间隔阈值，使页面时间间隔阈值同页面的重要程度结合起来：同时通过灵活界定内容页，并针对内容页，提出了一些启发式规则，突破了“参引长度法”所固有的一个会话中只包含一个内容页的瓶颈，有效的提高了会话数据的准确度。这些高质量的会话数据将成为个性化推荐系统建立模型的基础数据。　　 利用用户、项、兴趣度打分值等信息可以构建“用户-项矩阵”二维模型。以往经典协同过滤推荐算法的核心部分(即计算用户或项的相似性)，都是基于该模型而设计的。针对大多数商品的销售都具有季节性的特点，本文在“用户-项矩阵”模型基础上，引入用户购买商品的日期因素，构建了“用户-项立方体”三维模型，并基于该模型，提出了一种改进的协同过滤推荐算法。该算法对日期因素赋予了相应的权重，并应用到用户相似性或项相似性的计算中，显著地提高了协同过滤推荐的准确度。改进的协同过滤推荐算法将整个推荐过程分为三大部分：用户聚类、项聚类、最近邻查询及推荐。前两部分离线执行，生成相应的虚拟用户和虚拟项，二者的数据量远远小于原始用户数及项数，在最近邻查询及推荐部分在线执行时，以虚拟用户及虚拟项作为新的搜索空间，其时空复杂度大大降低，很好的满足了推荐系统的实时性要求。