随着互联网的快速发展,大数据时代悄然降临。在互联网的应用软件中,充斥着各种各样的视频资源软件,视频内容也百花齐放。尤其在电影产业中,有着大量的电影推荐软件与电影资源。虽然在电影网站中,种类繁多的电影资源给用户带来了丰富的视觉盛宴,同样也给用户带来了选择困难,造成用户“信息过载”。如何快速解决“信息过载”问题,并为用户推荐简洁、个性化的电影资源信息,近年来成为研究热点。本文设计并实现了基于Flink的电影推荐系统,运用新一代流式计算引擎Flink与融合时间权重与奖惩因子的实时推荐算法,为用户推荐更符合兴趣爱好的电影视频资源,一方面可以帮助用户节省时间寻找视频资源,另一方面,吸引用户流量可以给企业带来潜在的商业价值。传统使用Hadoop平台搭建的推荐系统,在面对如今海量的数据与复杂的算法模型时,处理速度明显下降,不能做到低延时、高效的为用户进行数据推荐;其次传统基于协同过滤的推荐算法,无法实时感知用户兴趣漂移的问题,导致推荐的结果差强人意。对于推荐引擎而言,Spark采用内存计算与有向无环图等执行引擎技术,相比较Hadoop引擎,从磁盘读取的速度是Hadoop的10倍以上,从内存读取数据是Hadoop的100倍以上,采用Spark计算引擎,可以高效的处理海量数据,但是在处理大量流式数据时,Spark采用微批处理架构,在实时性方面还有待提高,新一代流式计算引擎Flink,相比较Spark的Spark Streaming处理实时数据,性能上有了明显的提升,处理流式数据更加得心应手。对于推荐算法而言,混合推荐算法更能弥补单一推荐算法的不足,采用混合推荐算法,将对推荐结果有明显的提升。因此,本文的主要工作如下:（1）在计算引擎方面,电影推荐系统平台分为离线推荐与实时推荐两部分。离线推荐物理平台采用Spark计算引擎,与Flume、Kafka等大数据组件搭建电影推荐系统,为大数据处理分析电影资源提供保障。使用Flink计算引擎构建实时推荐服务,对电影推荐系统产生的流式数据进行处理。（2）在推荐算法方面,电影推荐系统分为离线推荐算法与实时推荐算法两部分。通过分析业界常见的推荐算法,在离线推荐时,通过矩阵分解算法解决电影评分矩阵稀疏性的问题,选择Spark的交替最小二乘法并融合堆排序算法,实现改进的协同过滤推荐算法,并通过不断调参、训练合适的隐语义推荐模型,为用户产生Top-N个电影数据,进行离线电影推荐。离线推荐算法在用户更新一项电影评分后的推荐结果,与未更新时产生的推荐结果基本相同,所以不具备实时推荐能力,因此本文引入艾宾浩斯遗忘曲线与奖惩因子构建实时推荐算法,通过调整时间权重函数,对用户进行实时电影Top-N推荐。（3）最后在三台服务器上搭建分布式集群进行对比实验。电影推荐系统的离线推荐部分,通过堆排序改进后的离线推荐ALS算法,采用Spark计算引擎,在RMSE指标基本不变的情况下,算法模型运行速度显著提高;并且离线推荐算法引入堆排序,解决MLlib中ALS算法在模型预测时会进行笛卡尔积,消耗大量内存与算法执行时间长的问题。电影推荐系统的实时推荐部分,实时推荐算法引入艾宾浩斯遗忘曲线,通过融合时间权重与奖惩因子,来动态地感知用户兴趣发生漂移的问题,并采用了 Flink计算引擎,实验结果表明,实时推荐算法在准确率和召回率指标上有了明显提高,推荐结果更符合用户兴趣爱好。新一代流式计算引擎Flink对比Spark计算引擎,实验结果表明,Flink计算引擎相比较Spark计算引擎在数据量不断增加的情况下,算法模型执行速度更快。