信息过载是大数据时代面临的一个显著问题,推荐系统是专家学者们面对这一问题时提出的一个优秀方案。推荐系统主要是分析用户行为来推断用户可能存在的偏好,尽可能准确的为他们进行偏好信息的推荐,如今在多媒体站点、电商网站、社交媒体等多种领域发挥着重要的作用。推荐算法作为推荐系统的重要组成部分,但许多传统推荐系统还是使用单一的基于近邻的协同过滤算法,这种传统算法存在两个问题:一方面因为用户-物品评分矩阵的稀疏性,导致推荐准确性降低;另一方面因急剧增长的数据而导致计算量巨大,进而造成扩展性不足。本文研究和分析了基于近邻的协同过滤算法的优缺点,并针对其优缺点对推荐系统进行算法设计。设计了一个混合推荐算法作为离线推荐算法,其中利用矩阵分解预处理数据解决传统算法在计算过程中评分矩阵稀疏的问题,以提高其准确性;利用聚类算法提高混合算法的扩展性。通过对该混合推荐算法的实验分析得出结论:混合推荐算法在准确性上较传统的基于用户的协同过滤算法有一定的提高,并且聚类算法提高了混合推荐算法的扩展性。过去对推荐算法的研究大多都是关注算法的准确性,对实时性的研究较少。针对大数据背景下用户对推荐系统的实时响应需求,本文设计了一个实时推荐算法,吸取了基于物品的协同过滤计算量小及推荐物品相似度高的优点,使用离线推荐阶段矩阵分解后的商品因子矩阵计算得到商品相似度数据,并将此数据与用户对商品的最近评分数据结合进行计算得到推荐结果,从而使实时推荐可以完成对用户最近偏好的快速响应。本文采用具有实时流式计算能力且性能强大的Spark计算框架,基于本文设计的混合推荐算法和实时推荐算法,设计并实现了一个具有离线和实时推荐模块的电商推荐系统,并证明了本文实时推荐算法的可行性,同时表明该系统同时兼具了较好的推荐准确性和实时性,具有较大的实际应用价值。