随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。　　 推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。　　 目前，虽然电子商务中的商品推荐系统在理论和实践中都得到了很大发展，但是随着电子商务系统规模的进一步扩大，商品推荐系统也面临一系列挑战。针对商品推荐系统所面临的主要挑战，本文在以下三个方面对电子商务推荐系统进行了有益的探索和研究。　　 第一，提出了用户兴趣迁移周期的概念，并在传统的协同过滤算法基础上引入了时间函数并把它和用户兴趣迁移周期函数有机的加以结合。在过往电子商务推荐系统中，普遍使用协同过滤推荐算法，而在大型电子商务系统中，由于用户的喜好对于供其选择的商品来说可能是有矛盾的，协同过滤推荐算法并不能很好的解决这个问题；另外，优秀的推荐系统应该能根据用户的喜好程度对某类商品各种选择进行排序，然后按照这种排序把推荐结果提供给用户，基于用户兴趣迁移周期理论的算法可以满足这两种要求。　　 第二，改进了传统的协同过滤算法在相似度计算过程中初始阈值不够合理的问题，通过这种改进一方面能够弱化在算法实现过程中人的主观性对阈值设置的影响，简化了纷繁复杂的判断过程，使推荐系统更具有人性化；另一方面极大地提高了系统的推荐精度和推荐质量。　　 第三，在应用上，以移动电子商务为背景，分析了移动电子商务推荐系统结构、功能，并把基于用户兴趣迁移周期理论的算法和初始阈值优化算法应用在系统上。　　 本文的主要研究成果如下：　　 1).提出了用户兴趣迁移周期的理论，并把用户兴趣迁移周期同时间函数相结合并把它引入到传统的协同过滤算法中，从而能够有效避免传统方法带来的弊端，提高系统的推荐质量。　　 2).改进了传统的协同过滤算法相似度阈值的设置方式。