近年来,随着电子商务的迅速发展,产生了商品信息过载问题,使得一方面用户的使用成本大大增加,另一方面商家开展针对性营销的困难加大。智能商品导购系统通过与用户的交互,分析其行为,预测其偏好并向其推荐他们真正感兴趣的商品,它类似于采购助手的功能来帮助用户过滤信息,选购满足其真正需求的商品。智能商品导购系统能大大提升用户购物体验,提供个性化的服务,帮助企业在激烈的电子商务竞争环境下,促进产品的销售,提高用户的忠诚度。目前多数B2C电子商务系统存在着商品推荐策略单一、推荐结果精度低,推荐缺乏个性化的问题。本文通过对非线性网络用户行为进行研究,利用一种改进的非线性回归分析方法对用户兴趣进行建模,提出利用AJAX技术完成对用户兴趣数据源的搜集,取代以往对web日志处理的繁杂过程,并着重分析了关联规则和协同过滤两种主要的推荐算法各自的原理、适用范围及优缺点等。在此基础上,引入商品基因的概念,通过将商品特征基因数据库、用户购买历史记录、用户在线浏览内容及邻近用户行为结合起来,提出一种基于商品基因和遗传算法的个性化推荐算法。该算法可以弥补现行推荐算法推荐精度不高、推荐效率低、新上市或购买率较低的商品不能及时推荐给客户的不足,同时利用遗传算法对顾客兴趣度偏好候选集进行学习,得到最佳邻居用户模式,使得推荐商品的覆盖率得到一定的提升。最后,利用J2EE框架搭建了一个开放式推荐系统原型。