推荐系统是电子商务领域的重要研究课题,是解决信息过载问题的有效工具,可以根据用户的历史行为数据做出个性化的推荐。针对传统隐语义模型推荐算法存在的用户冷启动以及数据稀疏性问题,本文设计了引入用户人口统计学信息的推荐模型,以期解决用户冷启动和数据稀疏性问题并提高推荐的个性化水平;针对推荐系统随着数据量不断增长而面临的可扩展性问题,本文进行了推荐模型基于Spark的并行化设计与实现;为提高系统的推荐计算效率,针对Spark在异构集群下的资源分配不均衡问题,本文提出了 Spark的资源分配优化策略。本文的主要工作有:1、设计了融合隐语义模型推荐算法与用户人口统计学信息的推荐模型UD-LFM。该模型在隐语义模型推荐算法的基础上,结合基于人口统计学信息的用户模型进行推荐,在一定程度上解决了用户冷启动带来的无法推荐的问题、数据稀疏性带来的推荐结果不准确问题以及提高了推荐的个性化水平。2、对UD-LFM推荐模型进行了基于Spark的并行化设计与实现。使用Spark分布式计算框架,在一定程度上解决了推荐系统随着数据量的不断增长带来的可扩展性问题。3、基于UD-LFM推荐模型设计并实现了基于Spark的个性化电影推荐系统。4、提出了 Spark的资源分配优化策略。该策略在一定程度上解决了 Spark在异构集群下的资源分配不均衡问题,提高了系统的推荐计算效率。