随着移动互联网的快速发展,信息出现了爆炸式的增长,使得人们在海量信息中发现适合自己的信息越来越困难、需要花费的时间也越来越长,这在电子商务领域变的尤为突出。如何使买家在更短的时间内寻找到自己喜欢的物品,同时可以使商家更精准的定位到自己商品的潜在用户成为了阻碍电子商务发展的一个因素,也成为了电子商务研究中的一个热点。本文针对目前电子商务推荐系统精准性不高和存在延迟性的问题,通过对相关原理进行深入研究,实现了一种改进算法,并且在Spark平台上实现了分布式,提高了推荐的精准性,同时减低了算法的执行时间。首先,本文分析目前在推荐系统中使用最广泛的协同过滤算法的不足,结合在数据挖掘领域的关联规则算法和协同过滤算法,实现了基于关联规则的协同过滤算法。算法首先应用关联规则算法,将具有强关联性的项目归为一类,然后在同类别的项目中使用协同过滤算法来进行推荐。然后,在前面分析的基础上,使用Python语言实现了基于关联规则的协同过滤算法,并通过相关的实验数据证明了算法的有效性。与此同时,本文研究了目前电子商务推荐引擎的模型,结合大数据处理技术Spark和Hadoop,设计并实现了基于Spark平台的分布式的关联规则协同过滤算法,详细阐述了其具体的实验方案,并且通过实验验证,说明了关联规则协同过滤算法没有因为并行化而降低相关指标的性能,而时间效率大大提高。本文的研究对提高用户在电子商务活动中的体验具有实际意义,同时,实现的基于关联规则的协同过滤算法,在其他领域同样具有应用价值。因此,本文所研究的课题具有一定的理论与实际意义。