得益于电子商务和移动互联网的快速发展,买家在电商平台中可以随时随地购买任何的商品,同时电商平台中海量的商品为买家带来了“商品过载”的困扰。在买家严格条件筛选下,呈现给买家的商品仍然令买家目不暇接。所以电子商务迫切的需要一个“导购员”,推荐系统通过挖掘买家与商品之间的二元关系,为买家提供个性化推荐服务。电子商务是推荐系统重要应用领域之一,电商推荐系统是一个复杂的系统工程,需要综合考虑运行环境、系统架构和算法模型。本论文的主要贡献以及优化创新工作为如下几点:(1)分析了当前大数据技术下的分布式存储和资源管理,介绍了当前HDFS的主节点单点隐患问题,HDFS的高可用改进方案,并详细介绍了如何对计算资源进行弹性管理。(2)对当前主流推荐系统架构和触发流程进行了研究,分析并指出传统推荐系统架构和触发流程存在的诸多缺陷,并提出一种改进的推荐系统架构和触发流程来提高推荐服务的性能。(3)针对传统的矩阵分解模型忽略负向反馈数据,导致推荐准确率无法继续提高的问题,提出了一种利用负向反馈数据集的矩阵分解模型。该模型通过使用AB Testing方法度量隐式反馈评分构建隐式反馈评分矩阵,并在数据集中加入了负向反馈数据,通过使用新的损失函数使模型与数据集达到最佳拟合。线上对比结果表明,该模型有效提升了电商平台的点击和转化。(4)当前电商推荐系统虽然可以为买家提供个性化推荐服务,但没有考虑推荐的商品是否为质优商品,针对这种情况本文提出了一种基于标签加权的关联规则挖掘算法,为买家提供高质量的个性化推荐。通过离线实验分析得到推荐商品集质量优于传统的关联规则挖掘算法。