在当前这个信息过载的时代,信息生产者及消费者都面临着严峻的挑战。信息消费者难以从海量信息中找寻自己的兴趣点,信息生产者则需要更多地考虑如何有效地发现消费者的潜在兴趣点。线上消费方式的风靡促使商家将吸引用户消费的手段由促销转向口碑营销,用户的点评数据拥有了更大的价值。在本地生活服务领域,门店推荐系统在充分挖掘用户点评数据后可以适时地对用户进行个性化推荐,从而应对信息过载带来的挑战。另外,各种分布式计算平台的涌现为个性化推荐算法的进一步发展提供了机遇,其中Spark平台凭借其易用、高效、快速的优点,非常适合应用在对实时性要求较高的大数据场景以及计算模型复杂的数据挖掘和机器学习场景。近年来,深度学习在个性化推荐领域中被广泛应用,而借助Tensorflow深度学习平台可以快速进行深度学习模型搭建、并行训练及线上部署。结合上述背景,本文主要完成了以下几个方面的工作:（1）构建了基于EGES的深度学习召回模型。利用Geo Hash算法生成门店的区域标识。在常规的Graph Embedding算法基础上,引入门店所属区域,门店所属城市,门店分类作为补充信息,利用随机游走算法对门店的各类属性进行建模并获取对应的Embedding向量,融合后获得更准确的门店Embedding向量,借助Embedding向量自身相对较强的表达能力从海量候选集中进行快速召回。（2）构建了基于DIN的深度学习排序模型,采用Tensor Flow平台进行模型搭建及并行训练,引入注意力机制,对用户历史行为特征做加权求和,提升排序层的精排效果。（3）最后,本文构建了一套基于Spark、Tensorflow平台的个性化门店推荐系统。将文中提出的算法模型与应用场景的特点相结合,搭建系统的推荐模块,并通过Spark Streaming、Kafka进行实时流式数据处理,完成多业务场景推荐模块的设计与实现。通过对系统进行各项测试,在保证稳定运行的前提下满足用户在不同场景下的使用需求。