互联网技术的发展与成熟，使得电子商务（E-Commerce）出现并快速发展起来。电子商务的兴起带来了巨大的商业机会和市场价值。随着电子商务的发展，各种电子商务的网站信息量不断增大，结构也变得更加复杂，这是计算机互联网“信息爆炸”问题在电子商务领域内的体现。为了使得用户能够较为便捷地获得相关项目信息，推荐系统（Recommendation System）应运而生，功能是为用户提供适宜的推荐，对其的相关研究层出不穷。在实际应用和学术探讨领域方面，有多种的算法和技术可以实现推荐系统的一般功能。 本文总结了可以实现电子商务推荐系统的一般技术、典型的算法，分析比较了可以用于推荐系统的分类浏览、排序算法、数据挖掘的关联规则发现以及协同过滤等算法技术。研究认为，实现电子商务的个性化推荐(personalizedrecommendation)，协同过滤（Collaborative Filtering，CF）是一种较为理想的推荐技术。本文的重点是对协同过滤算法技术进行研究，对于经典的协同过滤技术的各种改进方法进行分比较，对于协同过滤的改进方案，从预测精度、推荐效果等方面探讨各种对协同过滤改进算法的效果。提出公共均值法、全面均值法等的改进方式作为比较。文中将数种改进的CF算法在实际公认的数据集上进行试验，比较了对于协同过滤算法改进方法的效果，本文提出的全面均值法等在预测精度等方面较普通的CF算法有所提高。试验验证了协同过滤的改进方案实际表现。