如今,信息科技高速发展,信息量呈现出爆炸式的增长,在面对琳琅满目的各种数据信息时,人们如何从如此多样化的信息中检索真正有用的信息,提高多信息使用的效率已成为一项巨大的挑战。这是人们经常对信息过载的看法。推荐系统便是为了解决这一问题而应运而生的一项互联网技术,通过研究用户的兴趣与爱好,根据用户的不同,个性化地给他们进行信息的推荐。但是,由于技术的缺乏,推荐系统的计算结果无法实时反馈给用户,推荐的数据不能实时更新,使得推荐有滞迟,这即是推荐系统中的实时问题。另外,在网站的初始阶段,由于数据的缺乏,无法进行有效的推荐,这即是推荐算法的冷启动问题。因此,本文的写作目的就是为了解决上面提到的两个难题。本文的主要工作包括:(1)对于实时性问题,使用Spark Streaming流处理框架对推荐系统进行设计并实现,并将推荐系统分为在线实时计算模块和离线延时计算模块两部分,这样可以充分的两种计算模式的优势。(2)对于算法的冷启动问题,我们在本文中提出了一种混合协同过滤推荐算法。该算法混合了聚类与矩阵分解两种常见的方法,通过对目标用户使用关联聚类和特征值分解,有效的克服了冷启动问题。通过实验数据的比较,文中推荐系统使用的推荐算法更准确。(3)设计和实现了基于Spark实时流计算推荐系统。在此模块中,我们对整体系统做出了详细的需求分析,主要包括总体架构分析、需求分析和功能分析。