随着互联网技术的迅速发展,我们可以接触到越来越多的信息,但信息的飞速增长却使得信息的利用率降低,个性化推荐系统是为了解决此问题而提出的一种智能系统。近年来,随着在实际中应用越来越广泛,个性化推荐系统得到了飞速发展,然而传统个性化推荐系统,大多通过对数据进行定期分析,然后更新推荐模型,进而基于新的模型进行个性化推荐。由于推荐模型是定期更新的,故无法保持其实时性,推荐的结果不能反应当前状态,造成结果不够精准。作为提高推荐准确率的一种方式,本文旨在实现一个实时个性化推荐系统,即根据实时数据更新模型并产生实时推荐结果。本文在深入研究传统推荐算法的基础上,结合分布式流处理技术,设计实现了实时个性化推荐系统,并从实时趋势推荐以及实时物品推荐两方面对推荐系统的实时性展开研究。实时物品推荐,即根据用户的实时行为,推荐相似的物品,主要应用于电子商务平台等。其主要研究内容包括：(1)针对实时物品推荐的特征,设计了离线处理和在线处理相结合的系统架构,该架构能够很好的利用传统离线推荐算法,并结合在线更新算法,提高推荐的时效性以及准确性。(2)为了提高推荐系统的准确性,结合流数据处理技术设计并实现了实时增量更新算法,根据实时行为更新推荐模型,提高推荐准确度,同时具有良好的可扩展性。(3)为了推荐结果的快速计算,设计并实现了在线推荐算法,该算法结合离线处理结果与当前一段时间内的行为共同决定推荐结果。实时趋势推荐,即根据当前最新一段时间的行为,统计实时趋势进行推荐,主要应用在社交网络中的热门话题等。其主要研究内容包括：(1)为了保证趋势推荐的实时性,系统将实时数据统计与滑动窗口思想相结合,基于Storm设计了实时趋势推荐逻辑,能够根据数据的实时变化,统计更新实时趋势变化。(2)为了降低消息源与实时处理逻辑的耦合,系统中设计并实现了基于消息队列的处理逻辑。最后,本文将上述两方面嵌入到具体应用中,分别实现了实时物品的推荐以及实时趋势的推荐,并验证了实时推荐系统能够有效提高推荐的准确度。本文针对当前推荐系统中对实时性的需求,构建了个性化实时推荐系统,分别设计并实现了实时物品推荐以及实时趋势推荐功能,并通过实验验证了系统设计方案的可行性。