随着近几年来互联网技术的加速发展,各类互联网产品每天都会产生大量的用户行为日志。这些增长的日志信息使得数据利用率下降等问题逐渐显现出来。个性化推荐技术的提出就是为了解决这个问题。传统的个性化推荐技术,大多都是对数据进行离线收集,再对数据进行定期得分析以及对模型进行更新。而这种方法无法保证推荐的实时性,不能够及时反应出当前的推荐状态,从而导致推荐结果不准确。本文在研究了各个推荐算法的基础上,结合大数据的处理平台,设计并实现一个基于Storm的实时推荐系统,即对采集的数据进行分析从而得到实时的推荐结果。本文的工作内容如下:(1)针对推荐物品的特征,本文设计了离线平台和在线平台相结合的系统架构,这种架构可以很好得利用传统基于物品的协同过滤离线推荐算法,并且结合在线平台的更新算法,提高推荐的实时性和准确性。(2)本文在Storm流处理技术的基础上结合用户的实时数据,设计并实现增量更新算法。该算法包括了对物品相似度的增量更新和物品推荐结果的增量更新,并且通过时间窗口获取近期内的用户行为数据对推荐结果增量计算,从而提升推荐系统的响应速度。(3)结合本文提出的系统架构和算法,最终实现了以数据采集模块、数据接入模块、离线计算模块、在线计算模块和存储模块为核心的实时推荐系统,并以小型的电商APP的形式展现推荐结果。(4)本文根据当前推荐系统对实时性的需求,搭建实现了实时的推荐系统,完成在线实时的物品推荐,并且通过实验来验证系统实时推荐的可行性。