随着IT技术的蓬勃发展,我们来到了数据时代,而数据时代的“数据过载”问题不可阻挡的到来了,如何在海量数据中找到所需要的是人们关心的重点。推荐系统的出现成功的缓解了这种状况,目前推荐系统已经在电商,新闻,音乐,视频网站得到良好的应用,成为解决“数据过载”问题的重要工具,能够帮用户在数量庞大的信息中搜寻自己感兴趣的信息。然而,现实情况中,还存在一些问题,由于推荐系统是为用户服务,从大量信息即物品中找出用户感兴趣的内容,所以物品的数量以及用户的数量非常巨大,而传统的推荐算法往往是在单机环境下运行的,这就使得它的运算能力极大地受限,无法满足当前IT服务的需求;另外当推荐系统中出现新物品时会出现冷启动问题,以往的经典推荐算法无法很好地实现推荐。如何解决冷启动问题以及快速、高效、准确的提供推荐是本文的主要研究内容。具体研究内容如下:(1)传统的基于物品的协同过滤算法存在着冷启动问题,本文针对冷启动问题设计了将电影基本属性相似度和电影关联相似度融合的改进方案,对于不同种类的电影属性使用了不同的相似度计算方法,能够将新进入推荐系统的电影推荐给用户,有效的缓解了冷启动问题。(2)引入BP神经网络来实现并优化(1)中的改进方案,利用BP神经网络自学习和自适应的能力,实现了电影基本属性相似度和电影关联相似度的融合,生成融合相似度,使用融合相似度来预测用户对电影的评分,通过和真实评分对比来调整参数,使得推荐更加准确。(3)对比发现优化后的算法在Spark平台上运行的效率高于单机运行,因此在Hadoop+Spark的基础上实现了一个以优化后的协同过滤算法为推荐引擎的推荐系统原型系统。