随着移动互联网的成熟发展,我们也逐步迈入了大数据时代,“信息过载”问题则成了我们每天必须面对的问题。推荐系统在这样的背景下诞生并不断发展,近几年来企业对推荐系统的需求也日益增长。普通用户面对这样的数据往往不知所措,对于那些用户难以明确表达出来的需求,推荐系统能够分析用户所产生的各种各样的数据,帮助用户去过滤信息,从而与用户一起发掘出他们所需要的内容。不管是在电子商务、广告的投放还是社交平台,推荐系统都扮演着重要的角色。本文首先研究了相关技术背景,传统的计算架构和存储设计并不能满足推荐系统的要求,面对这些数据,要求系统能够快速响应用户需求,因此推荐系统必须具备强大的数据处理能力。目前大数据处理框架有很多,从最初的Hadoop到后来的Storm、Spark以及最新的Flink,是一个从批处理到流处理的发展过程。大数据处理也分为了离线和实时两个模式,从而为不同的需求场景提供合适的处理方式。此外,数据量的增多也使得数据仓库技术得到快速发展,使用数据仓库建模理论存储海量数据能够有效提升数据的使用与管理效率。随后本文探讨了大数据计算技术和大数据存储技术选型,除了上述提到的几个计算框架,也包括了列式数据库HBase、分布式文件系统HDFS、数据仓库工具Hive等相关大数据存储技术与工具。推荐算法方面,本文首先陈述了一些在推荐系统中经常被使用的算法,并创新提出了基于动态感知的内容推荐算法和动态权重混合推荐算法,将Ebbinghaus遗忘曲线引入相似度计算,并将各推荐服务的结果通过动态权重的方式加以调整并混合,避免单一算法带来的冷启动、稀疏数据等问题,提升个性化推荐效果,使用Amazon的商品数据集对系统的推荐算法的运行时间、准确率和召回率等指标进行测评,验证其可行性与有效性。最后设计并实现了基于大数据的商品混合推荐系统。系统能够对推荐需求作出快速响应,基于动态感知的内容推荐算法比普通的用户反馈推荐拥有更好的效果,并且本文提出的动态权重混合方式比线性混合也拥有更好的性能。