随着互联网和信息技术的逐渐成熟,各种移动设备产生的海量数据将人们带入了信息过载的时代,从海量的信息中挖掘有价值的数据比较困难。网购被越来越多的消费者所关注并逐渐成为一种不可替代的消费方式。然而,从形形色色的商品中选择自己喜欢的商品成为困扰许多消费者的一大难题,推荐系统的诞生就是帮助用户解决选择困难的问题。推荐系统在长达近30年的发展中提出了协同过滤算法、基于内容算法等,但是冷启动问题、时效性问题以及模型超参数的优化却一直影响着推荐系统的推荐性能。本文针对推荐系统存在的上述问题,做了如下的对应优化和改进方法:（1）新用户初次登录系统,系统获取不到用户的详细信息,无法给用户做出推荐,产生系统冷启动问题。针对这一状况,根据历史数据中所有用户对商品的评分,周期性的计算每个商品的平均得分作为高质量商品热门推荐。（2）随着时间的推移,用户的兴趣爱好也在相应的改变,针对过去用户兴趣爱好做出的推荐必定不能得到用户的青睐。本系统采用大数据生态圈组件构成日志采集系统,实时采集用户埋点数据,根据相似推荐算法做实时推荐。（3）用户商品评分表里存在大量的稀疏数据,本文在设计离线推荐系统时采用矩阵分解方法来解决数据稀疏性问题,矩阵分级模型的好坏受超参数的影响。故此采用机器学习常用到的梯度下降算法来优化模型超参数。基于上述的工作内容,本文设计了混合型推荐系统,以改进后的动态混合推荐算法作为离线推荐,采用大数据生态圈组件作为日志采集系统实时采集用户埋点数据生成在线推荐系统。