近年来,数据的指数型增长使用户在大数据的浪潮中迷失了方向,用户不得不浪费大量时间以获得有用信息,这就是信息超载问题。为了将人们从海量信息的浪潮中解救出来,科学研究人员着力于研发能从用户的历史反馈信息来推测出用户的可能喜好并推荐给用户的技术,也就是今天研究领域所说的推荐系统。其中推荐系统的核心是推荐算法,协同过滤推荐算法（Collaborative filt ering,CF）已成为当今最受欢迎的推荐算法之一,其应用范围极其广泛。但面对数据的爆炸性增长,该算法在应用中依然存在着由于数据稀疏性导致的推荐准确率不高问题以及由于数据规模过大导致的推荐效率低问题。为此,本文基于spark平台对推荐算法中常用的协同过滤推荐算法进行改进优化,以适应目前各研究应用领域对推荐算法的更高需求。本文的主要研究工作如下:首先,本文系统性阐述了推荐算法及spark平台的国内外研究与发展现状。其次研究了推荐算法的分类、技术架构等核心技术,然后详细说明了推荐算法中使用最为广泛的协同过滤推荐算法以及近传统神经网络模型SAE模型。其次为了克服协同过滤推荐算法只能提取交互矩阵中线性信息挖掘方式的不足,掌握了基于协同过滤思想并选择SAE模型作为基础网络框架,提出一个新的推荐系统模型。并在模型的前向传播过程中提出一种情景化的时间权重,在计算用户评分相似度时,加入时间权重,以表示过去时间对用户当前行为的影响力随时间推移和不同背景而变化。除此之外,本文在反向传播阶段还提出一个注意力策略,通过注意力单元的引入来帮助系统重视用户们更喜欢,更值得向用户推荐的物品,从而提高用户满意度。最后考虑到当数据规模较大时,本文提出的改进的神经网络推荐算法在数据预处理、训练参数等部分存在较大的计算量,基于传统的单机集中式计算平台无法满足用户对推荐速率上的要求,并将该算法在spark平台上进行设计与实现,实验结果表明并行化的处理方式能够更好提升推荐算法的性能和速度,更好满足现实用户需求。