伴随着互联网的不断发展壮大，电子商务迅速发展，电子商务个性化推荐系统作为电子商务的一部分也越来越受到企业的重视。而电子商务个性化推荐系统是以推荐算法为中心的，这促使国内外的许多研究者开始投身于对推荐算法的研究，他们提出了很多不同的推荐算法，这些算法的加入满足了物联网用户的个性化需求，但是也存在一些问题，如数据的稀疏性问题和数据的冷启动问题等。蚁群算法是源于自然现象的一种算法，是一种新式的模拟蚂蚁群体智能行为的仿生优化算法，它的很多观点来源于真实蚁群。蚁群算法具有自组织性、正反馈性、较强的鲁棒性等长处，这启发了我们融合蚁群算法来研究推荐算法的思路。本文提出了一种基于蚁群聚类的电子商务个性化推荐算法，该算法首先利用蚁群算法实现用户聚类，从而在一定程度上降低了候选邻居集的数量。然后在用户簇中运用融合用户和项目的协同过滤推荐算法对用户进行推荐，在此步骤中所采用的融合用户和项目的协同过滤算法是在传统的融合用户和项目的算法的基础上进行改进的，具体流程是：当用户共同评分的项目数量大于某一阈值时，采用基于用户的协同过滤推荐算法，反之采用传统的基于用户和项目的协同过滤。另外本文对电子商务的推荐算法的许多细节问题进行了有效改善，具体改进如下：1.当相似度的计算公式分母为零时得到相似度为无穷大，显然这与事实不符，为此本文采用基于用户的评价因子和基于项目的评价因子来代替用户相似度和项目相似度。2.本文还对结合用户和项目的协同过滤算法的控制因子给出了具体计算公式，这有效解决了随机设置参数的不准确和耗时问题。3.稀疏的用户-项目矩阵中未评分的项目可以根据项目之间的相似度得到一个预测的评分,在一定程度上降低了用户-项目矩阵的极端稀疏性，但是也存在极端情况，分别是没有一个用户对目标项目做过评分和目标用户未做过任何评分这两种情况。本文给出了极端情况下的处理办法，对于第一种情况，把用户对其所做过评分的平均值作为用户对目标项目的评分，而对于第二种情况，则取3.0作为用户对目标项目的评分。这样在一定程度上缓解了冷启动问题和稀疏性问题对电子商务推荐系统的影响。实验结果表明：和传统的基于用户的协同过滤推荐算法和基于用户和项目的协同过滤推荐算法相比，通过本文的算法计算出的MAE值较小，从而可以有效地为用户进行个性化推荐。