在视频直播网站的各业务场景中,为了提高用户的观看量和新用户的转化率,通常会在网站中进行一系列热门房间的推荐。目前各大网站在进行热门房间的推荐时,普遍采用的是一种高人气、高点击量排名的方式进行统一推荐,即将网站中人气较高或点击量较高的直播房间作为热门房间进行推荐。这种统一推荐的方式,虽然操作上简单、易实现,但个性化程度不高,无法针对不同用户的喜好,进行个性化的推荐,有时甚至出现推荐的热门房间类型是用户所不喜欢的情况,使得用户体验不佳。对于直播平台来说,信息提供者创造的资源不能有效的传达给有需求的用户,许多优秀的主播没有合适的展示机会。本文在分析推荐系统发展现状和直播平台业务需求的基础上,结合直播平台中物料更新快、直播质量不确定等特点,设计了一种离线+在线的推荐方案:在用户上线时根据历史喜好进行个性化推荐;在用户点击进入某个直播间时,根据直播间的直播内容进行物料的相似度推荐。个性化推荐场景中使用Spark计算框架实现了ALS交替最小二乘算法,有效的解决海量数据下相似度矩阵计算量大、矩阵稀疏、耗时长等问题,提升算法效率;相似度推荐场景中改进了基于内容的推荐算法,并且使用了Flink流式处理引擎,根据用户的行为反馈,实时并且精准地更新推荐列表。依据上述研究,本文设计并实现了一个面向网络直播平台的推荐系统。本文细致地介绍了该系统的设计和实现:通过研究实时推荐系统在工程领域的应用,使用大数据计算框架Spark、流式处理引擎Flink、搜索引擎Elasticsearch、发布-订阅系统Kafka、数据仓库Hbase等组件,搭建出一套与用户交互的大数据推荐系统。测试结果显示,系统具有良好的可实施性。