伴随着互联网技术的飞速发展,人们身边环绕着各种各样的数据信息,但是在这些海量数据信息中,只有极少数的数据信息是用户所感兴趣的,因此,如何在海量数据信息中找到对用户有用的信息,并将其有针对性的推送给用户,是推荐系统所要研究的问题。通过对推荐系统的分析,发现传统的推荐算法存在一些不足,混合推荐算法的出现有效的缓解了这些问题。首先,对于传统推荐算法存在的冷启动和数据稀疏的问题,主要是通过基于统计的推荐算法、基于ALS(交替最小二乘法)的协同过滤推荐算法以及基于ElasticSearch的内容推荐算法相结合的混合推荐算法来加以改善。其中,基于内容的推荐算法能够很好的缓解系统冷启动的问题,而基于统计的推荐算法对数据稀疏问题有不错的缓解作用。其次,对于推荐系统不能实时或者准实时的完成推荐结果的更新这类问题,主要是通过采用基于模型的推荐算法来进行实时推荐。最后,通过在Spark分布式平台实现离线与实时相结合的混合推荐算法的构建,从而能够较好的应对海量数据推荐的问题。最后,综合混合推荐算法的设计思路,在此基础之上,设计并实现了一个基于Spark的电影推荐系统,并验证了混合推荐算法的可行性。