随着电子商务、社交和移动技术的火热发展,产生了一种基于移动互联网的空间,借助于社交软件为工具,以人为中心,社交为纽带,有别于传统电子商务的新商业——社交电商。而社交电商平台是用于发布和规范社交电商商品的平台。由于社交电商商品来自成千上万的移动端注册个人商家且商家入驻门槛较低,商品质量参差不齐,所以需要保证平台优先推广的是货真价实的商品,社交电商平台引入信任商品推荐系统引导用户购买或分享高信任度商品,提高购物体验,提升口碑留住更多客户,同时获取更多的盈利。本文主要基于公司社交电商平台的商品推荐的实际项目,研究在百万商品中分析商品的信任度,在部分开源框架基础之上进行数据采集、离线计算及实时推荐架构设计。根据用户行为,实时推荐商品给用户,降低用户自主选择商品的难度,提高用户的购物体验及社交电商平台的商品销量。项目使用大数据框架实现实时推荐,使用商品排序算法和商品相似度算法训练推荐模型并生成推荐结果。研究内容如下:（1）全局商品信任度算法:基于马尔科夫链蒙特卡罗模型和时序性用户行为数据计算商品排名。首先基于用户的行为,计算出商品关联系数的矩阵;然后根据关联系数矩阵,计算状态转移概率矩阵;最后根据状态转移概率矩阵,经过足够长的时间演化后,计算出每个商品被购买的概率,即用户对商品的信任度。重点是建立商品连接矩阵以及状态转移概率矩阵。（2）实时推荐的架构设计:首先设计埋点日志,收集用户行为记录;然后使用Flume采集用户行为记录放入Kafka;通过Spark Streaming分析用户行为并生成实时推荐结果。（3）离线计算架构设计:离线数据采集、离线计算。离线计算使用Spark主要用于生成推荐模型和根据模型生成初始推荐结果;业务处理层主要用于业务干预、过滤及排序,生成最终推荐结果。在本文提出的算法中,计算商品信任度,以及结合商品信任度和社交网络进行推荐是主要的创新点;同时高性能的离线计算,以及高实时性的在线推荐是本系统的主要特性。文章最后设置了多个对比实验,对本文提出的算法、系统的性能和实时性进行了整体的测评,算法的主要测评指标是平均绝对误差、均方根误差和覆盖率,性能评测指标是计算不同数据量所消耗的时间,实时性评测指标是在不同并发数下系统的响应时间。实验证明,结合商品信任度和社交网络的推荐比基于社交网络的推荐的MAE平均大约降低了0.01,MASE平均大约降低了0.05,覆盖率平均大约提升了10%;结合商品信任度和社交网络的推荐比原始推荐的MAE平均大约降低了0.02,MASE平均大约降低了0.1,覆盖率平均大约提升了30%;系统在离线计算单次迭代计算消耗时间没有超过20分钟,同时在线推荐的响应时间也没有超过3秒。