随着互联网高速发展,数据量爆炸式剧增。在电子商务中,信息过载带来糟糕的购物体验,从而导致客户流失。如何在海量数据中快速找到客户的兴趣点,并推荐给客户,是各大企业面临的严峻挑战。推荐技术已经诞生二十余年,期间各大学者、企业的研究大大推进了技术发展。伴随着信息的海量化、计算的分布式化,大数据推荐应运而生。目前推荐模块在电子商务系统中扮演着重要角色。本文首先叙述了推荐系统的发展背景,总结概括了推荐算法的类别,主要包括协同过滤和内容过滤等。接着讲解了推荐算法在机器学习算法框架Mahout中的实现。最后,通过架设Hadoop分布式平台,采用Mahout构建课程数据集处理流程,使用数据迁移工具Sqoop作为HDFS和MySQL的桥梁,将推荐结果自动迁移到MySQL数据库,产生可以被Web项目使用的推荐信息。使用Maven构建Web项目,以Tomcat为容器,采用Spring为框架,完成一个基于Hadoop和Mahout的课程推荐系统。总结起来,本文主要完成以下三个方面：(1)分析机器学习算法框架Mahout的整体组成,讨论Mahout中协同过滤推荐算法的实现类。(2)根据不同的用户需求场景和算法特征选择推荐算法。对课程推荐系统中的协同过滤推荐算法进行参数调优。(3)紧密结合Hadoop、Mahout、Sqoop等技术,构建一个课程推荐系统。