互联网技术的迅速发展带来了一个信息爆炸的时代,我们每天接触到的信息以指数的形式在增长,这就导致了信息过载的出现。信息过载一方面使用户很难发现自己真正喜欢的部分,另一方面,网络中大量信息成为“暗信息”,无法被用户发现。目前,信息过载最好的解决方案就是推荐系统。推荐系统通过建立用户和物品的二元关系,利用用户的历史记录发现潜在偏好,进而产生。但是不同的推荐算法都有自己的不足,因此混合推荐成为了一个热点研究方向。本文首先对常用的推荐算法进行了分析,并总结了算法的优缺点。基于不同的混合策略,文中提出了两种不同的混合推荐系统的设计方案-切换式和特征补充式,研究了混合策略对推荐性能的影响。实验证明,混合策略可以在一定程度上改善系统的推荐性能。为了提升系统对海量数据的处理能力,本文基于Spark平台,利用特征补充式混合推荐方案,设计并实现了一个电影推荐系统。最后,利用本文的实验数据集对系统进行了测试。