大数据时代背景下,网络产生的数据爆炸式增长,用户想获取符合个性化需求的数据信息变得十分困难。推荐系统是解决这一问题的有效方案,但是传统的数据存储和计算无法满足对海量数据的处理,所以推荐系统应运行在分布式的环境上。分布式环境部署的Spark使用内存对计算中间结果进行存储,可以快速的执行迭代算法,计算性能优秀,是推荐系统首选的计算框架。推荐算法是推荐系统研究的重点,但传统的ALS推荐算法忽略了经过时间的推移用户兴趣的会发生偏移的问题和物品特征出现频率会影响推荐结果的问题,导致推荐误差的增大。另外,传统的计算框架Hadoop Map Reduce也无法满足推荐系统实时性的需求,仅使用单一的推荐算法也无法兼顾准确性和实时性。针对以上问题,本文首先深入研究了Spark的架构和底层原理以及常见的推荐算法,然后针对传统ALS算法的问题和单一推荐算法问题,提出了改进ALS算法和改进的基于物品的协同过滤推荐算法的组合算法。在ALS算法改进方面,本文将时间因子和物品特征因子加入ALS算法中进行融合加权并通过Spark计算框架进行实现,对比了改进前后ALS算法的RMSE变化。在基于物品的协同过滤推荐算法方面,使用修正的余弦相似度代替传统的余弦相似度,并增加归一化因子改进相似度计算,均衡了热门商品和非热门商品间的相似度,最后对比了算法改进前后准确率和覆盖率的变化。在组合推荐算法设计方面,为了解决单一推荐算法的不足,本文分析了各个算法的优点和不足,将ALS算法和基于物品的协同过滤算法结合使用,设计了离线和实时结合的组合推荐算法。实验表明,在ALS算法改进方面,改进后ALS算法的RSME比改进前降低了6.2%,推荐结果的误差更低。在基于物品的协同过滤推荐算法改进方面,改进后的算法比改进前准确率提高了1.68%,覆盖率提高了9.28%,覆盖率有较为明显的增长。在组合推荐算法设计方面,组合后的推荐算法的RMSE比本文改进ALS算法低3.9%,比本文改进基于物品的协同过滤算法低17.4%,组合推荐算法在算法改进基础上进一步降低了推荐误差。对比前人改进的算法,本文提出的改进ALS算法和组合推荐算法RMSE更低,在减少算法的推荐误差方面有进一步的提升。