近年来,推荐系统广泛应用于众多商业网站,不仅方便了用户对信息的检索,提升了用户的体验,还为企业创造了巨额的利润。在众多推荐算法中,协同过滤是当前最为主流的算法。尽管协同过滤算法在推荐系统中效果较好,但是仍存在着数据稀疏、算法可扩展性差以及冷启动等问题。因此,本文将研究推荐系统中的协同过滤算法,并针对该算法存在的问题提出一些解决方案。具体工作如下:（1）提出一种基于偏好模型和类别属性的协同过滤算法PGItem-CF。针对基于物品协同过滤算法只考虑评分数据,并且没有充分挖掘评分矩阵的潜在信息,导致物品相似度计算不准确的问题,该算法首先考虑到不同用户评分尺度的差异性,引入偏好模型处理原始用户评分矩阵,得到用户对评分的偏好值,并替代原始用户评分,得到修正后的用户评分矩阵,采用修正的余弦相似度计算得到评分相似度;然后再结合类别属性,将评分相似度与类别属性相似度进行加权,得到最终电影相似度;最后计算出用户对物品的偏好得分,根据偏好得分排序完成Top-N推荐。实验结果表明,PGItem-CF算法推荐的准确率和召回率优于其他几种对比算法。（2）提出一种基于ALS和DNCF的加权混合推荐算法ALS-DNCF。针对基于ALS矩阵分解协同过滤算法存在数据稀疏和冷启动问题,该算法是将ALS矩阵分解协同过滤模型和DNCF模型的评分预测值进行加权融合,得到最终预测评分。在不同稀疏度的数据集下进行实验,并与经典的推荐算法相比,具有更高的评分预测精度。另外,该混合推荐算法弥补了单一推荐算法的不足,由于DNCF算法利用的是用户和物品属性等显式数据,所以很好地缓解了冷启动问题,故ALS-DNCF混合推荐算法在解决数据稀疏问题时,也很好地缓解了冷启动问题。（3）基于Spark的电影推荐系统实现。针对算法可扩展性问题,本文将PGItem-CF和ALS-DNCF算法搭建在大数据分布式平台下,以Spark作为计算引擎,从系统需求,架构,流程和数据库方面设计并实现基于Spark的电影推荐系统。该系统实现了用户注册登陆,用户给电影评分,电影推荐,电影详细信息展示等功能,并提供了友好的交互界面,来提升用户的体验。