在互联网娱乐日新月异的浪潮下,电影等视频网站提供的视频的数量和种类正在无限制爆炸式增长,用户如何在海量的视频中找到自己感兴趣的内容就成了新的难题。个性化推荐技术就是在这种情况下出现的,推荐技术通过挖掘每一个用户的兴趣和爱好,并通过机器计算为每一个用户推荐他可能感兴趣喜欢的视频。目前国内外对于推荐系统的研究正如火如茶,对于个性化推荐系统而言,如何通过历史信息分析用户的行为并准确的预测用户的潜在兴趣和需求是其最为核心的内容,也是本文的研究重点。本文首先详细研究和阐述了包括协同过滤推荐算法、基于关联规则和基于内容的推荐算法等目前被广泛使用的主流推荐算法,深入研究了各个推荐算法的优点和缺陷。基于以上研究并结合国内外对于混合推荐系统的前沿研究,提出融合了基于内容、关联规则和协同过滤算法的多层次切换离线在线混合推荐模型。然后,以该混合推荐模型为基础,基于开源框架Apache Mahout设计和实现了一个简单的电影推荐引擎,并详细描述了该引擎从需求分析到架构设计再到功能实现的整个过程。同时根据作者在大型系统开发中的经验,提出了如何保持大型视频网站的当前核心架构和功能不变的前提下,加入推荐引擎模块的设计思路,使得基础模块与推荐模块的之间相互解耦,降低引入推荐引擎模块的风险和成本。最后,对文中设计的混合推荐模型和电影推荐系统进行分析和评估,阐述了该系统对于广泛存在数据稀疏性和冷启动缺陷在一定程度上的优化,同时指出了其仍然存在的诸多不足,并对推荐系统在大型电影类视频网站中未来的发展方向提出了自己的看法。