近年来随着电子商务的迅猛发展,电子商务使传统的商品交易产生了革命性的变化。电子商务网站按客户群划分产品,围绕客户进行服务,为客户提供所需的东西,所以为每个顾客提供个性化的服务成为必要,也使个性化推荐系统成为目前研究的热门技术。个性化推荐系统是一种基于用户浏览路径挖掘技术的推荐系统,其目的是方便用户对网站的访问,它可以预测未来用户的数量和爱好,并为电子商务企业提供决策依据。如何有效的将用户浏览路径挖掘技术与推荐技术结合是个性化推荐系统中的重要问题,本文围绕这个问题做了如下工作:本文首先选择协同过滤推荐技术作为研究对象,介绍了协同过滤技术目前的研究现状、存在的问题以及其基本原理。接着介绍了个性化推荐系统中用户浏览偏爱路径的挖掘过程,并给出了适合本文的用户浏览偏爱路径挖掘算法。然后介绍了基于用户浏览偏爱路径的协同过滤推荐方法,这是本文的创新点。隐马尔科夫模型为协同过滤推荐的实现提供了一种有效的方法,它基于用户浏览路径,模拟用户浏览网站时的行为,建立了用户浏览行为最近邻集合。使用隐马尔科夫模型(Hidden Markov Models,简称为HMM)代替简单的相似模型来度量用户相似性,大大的提高了最近邻推荐的准确性,解决了实时性推荐和数据空间的可扩展的问题。并结合喜好度给出了基于HMM的协同过滤预测模型。最后,为了更好的满足用户需求,提高推荐的准确度,对隐马尔科夫模型的结构进行了更新,进而有效的处理多种用户数据。通过对动态贝叶斯网络(Dynamic Bayesian network,简称为DBN)的介绍及与隐马尔科夫模型的对比,我们将贝叶斯网络作为网络更新的首选模型。贝叶斯网络由于其建模的灵活性,在很多融合算法中都有应用。通过实现网络结构的更新学习,即在以前基于HMM推荐模型的基础上,加入新的特征,构造了基于DBN推荐模型来修正推荐模型,把以前所有的训练集与新样本组合进行学习和训练,这样既可以节省时间,又优化了网络结构,使得推荐模型更加满足客户的需求。本文重点研究了用户浏览路径与协同过滤推荐技术的结合。将用户浏览路径作为推荐的数据依据,这样使得用户在浏览网页时即时给出推荐链接,并随用户喜好的变化,给出相应的推荐结果。将隐马尔科夫模型和动态贝叶斯模型相结合,建立了新的用户预测模型。该模型将传统的预测模型加入隐马尔科夫模型和动态贝叶斯模型的训练结果,很好的反映了客户喜好的动态变化。对全文进行了总结,指出了其中的不足,也展望了将来可以进一步研究的方向。