近年来,通信技术和互联网技术飞速发展,人们对社会化媒体的使用也随之骤增,网络产生的数据越来越多。在这样的环境下,推荐系统作为一种有效解决数据过载问题的技术,得到了广泛的关注和研究。同时,大数据技术的成熟应用使得数据处理的速度大幅度提升。本文的研究课题正是基于推荐系统技术以及其与大数据技术的结合进行的。本文分析了课题的研究背景和国内外的研究现状,在对推荐系统技术的国内外研究做出调研总结之后,着重研究了基于邻域的协同过滤和基于模型的协同过滤推荐技术,在此基础上进行自己的改进和创新,提出了一种融合推荐算法。在只有评分数据的场景下,深度融合基于项目邻域的协同过滤算法KNNitem和基于矩阵降维模型的推荐算法RSVD,结合这两种算法的优点,从而同时考虑了局部相似度和全局相似度,提升了推荐算法的准确度。随后采用北邮人论坛的实际数据进行试验证明,改进的推荐算法具有更好的推荐效果。同时,本文针对大数据时代推荐系统的数据处理速度慢的问题,将推荐系统与大数据技术相结合,通过对开源的推荐系统的研究和分析,总结出基于大数据技术的个性化推荐系统的设计与实现方法,基于Mahout框架进行个性化推荐系统的构建。通过分层设计的模式对个性化推荐系统进行设计,阐述各层的功能和设计原理,随后通过程序的编写对系统进行实现。