目前人类社会高度信息化时代的到来离不开互联网各项技术的飞速发展,人们获取各种信息往往都借助于网络。随着互联网世界的发展愈加丰富,网络上的资源呈指数增长,随之带来的就是信息过载(Information Overload)的问题。当前背景下,推荐系统则成为解决这一问题的有效途径。在这电子商务这一领域逐渐衍化为迅猛的时代,从海量数据中获得对人们有用的信息变得愈加的困难和复杂。从海量的用户行为数据、商品数据等发掘有用的信息并利用这些信息在更短的时间、更准确地让用户获取,并帮助商家精确定位商品的潜在用户成为了各个电商平台的一大热点问题。互联网时代,推荐系统是所有面向用户的产品核心技术,向用户推荐用户感兴趣的一个产品小集合,推荐系统不仅可以解决信息过载的问题,还能为企业运营带来更多的收益。本文针对电子商务系统特性及当前电子商务推荐系统相关技术原理进行相关的研究,对个性化推荐系统中常用的基于内容的推荐、基于协同过滤的推荐及基于协同过滤的推荐介绍了算法的基本思想,还有其在应用场景中自身的优势与不足;然后引出了基于多种算法的三种混合推荐模式,即整体式、并行式、流水线式,不同的混合模式有利于使不同的算法之间互补,发挥其长处弥补其不足,这样会使推荐系统推荐结果更具准确性、多样性和新颖性。又对目前推荐系统中面临的问题进行了讨论,并给出了常见的可缓解其问题的方案。随后对推荐系统中常用的关键技术进行了详细介绍。对FLM与TF-IDF算法基本思想进行了详细介绍,提出了融合基于用户属性的推荐与FLM的混合协同过滤推荐模型,来缓解冷启动与数据稀疏性问题;融入项目热门度惩罚因子与用户活跃度惩罚因子的TF-IDF算法与协同过滤混合推荐模型,提高了推荐结果的多样性缓解商品的长尾问题。并在MovieLens数据集进行实验及评估其有效性。在最后基于上述工作,结合实际电商业务场景,构建融合了多种推荐算法并在Spark技术支持下实现了基于混合推荐算法的电商系统。