推荐系统是解决信息过载的有效工具之一,是互联网竞争下强有力保证用户忠诚度的策略。传统推荐是基于热门程度、销量、广告等手段,越来越不能为用户提供人性化、个性化的推荐服务。鉴于此,本文研究设计了基于协同过滤用户个性化的推荐系统,此系统主要应用在电影领域,有效解决了电影推荐中仅依靠热门电影、评分高电影推荐的封闭循环,在系统中增加推荐算法和改进,提高推荐结果的准确性和效率。根据本文提出推荐系统实现的目标,通过研究推荐算法的理论应用,提出使用Web网络框架和Spark机器学习算法相结合的技术将推荐系统进行实现。首先对推荐系统设计需求进行分析,分析电影推荐实用性,合理性,效用性,针对要实现的系统性能,合理选用Web设计开发模式,并选取SpringMVC和Mybatis框架进行整合开发。其次研究协同过滤推荐算法,主要研究协同过滤推荐算法,建立基于邻近和基于降维的推荐模型,分别研究两者采用的推荐算法,比较之间差异,提出邻近算法中存在矩阵稀疏性和内容受限问题,选择解决问题的降维算法,并对降维算法中交叉最小二乘提出改进方法。再次,选用MoiveLens数据集作为原始数据,对数据进行算法Matlab仿真,根据数据结果分析算法优劣,分析算法实现合理性并选取最优算法。最后通过Java和Spark开发语言完成各模块网络编程,设计系统的模块三大分区,系统所需技术选取,完成Web网络框架SpringMVC和事务框架Mybatis整合搭建,数据库表结构关联设计,各模块功能流程设计。本文设计的电影推荐系统,通过研究推荐算法,选取最优算法,框架整合开发完成各功能模块。实现HTML页面结构进行划分、表结构解析数据、用户登录模块、用户查询、用户评分、用户历史记录查询和推荐模块,完成各模块开发,启动服务后完成系统测试,实现协同过滤电影个性化推荐,将结果数据进行HTML展示。