互联网的快速发展使得各行各业都逐步向服务线上化迈进,海量数据的存储也无形中增加了信息检索的复杂度。用户不再仅仅关注购票功能,而对系统的性能、稳定性、新功能等提出了更高的要求。在线票务系统不仅要解决大数据时代信息过载问题,实现用户个性化推荐;还应当顺应疫情背景下动态分散就座的需求,实现动态锁座机制。此外,系统应当能够应对高并发访问下的流量暴增问题以及具备完善的服务监控机制。首先对现有的推荐技术和在线票务系统的研究现状进行了对比,分析了各自的优劣后找到可改进的部分。接着深入研究了传统的推荐算法和隐语义模型,由于传统推荐算法存在的数据稀疏性和头部效应,无法充分挖掘用户和物品之间的关联信息,因此最终使用隐语义模型完成个性化影片推荐。在线票务系统的核心功能包括影片推荐、选座购票、订单支付以及服务监控。为了使业务诉求能够随着架构的演进实现快速横向扩展,系统采用微服务架构,将单一应用架构微小型化为一个个小而专的服务模块,各模块独立部署,通过服务重组来完成控制逻辑。在推荐模块,设计并实现了基于隐语义模型的个性化推荐服务,根据用户历史评分数据使用加入了正则化因子的随机梯度下降算法挖掘隐藏关系,实现个性化推荐。在购票模块,使用了Redis缓存和Dubbo异步调用机制优化影片查询服务性能,并实现了局部连续整体分散的动态锁座机制。在订单支付模块,为了防止短时间流量暴增问题,实现了基于令牌桶的分布式服务限流和熔断机制。在服务监控模块,使用Zipkin的基于标注的策略记录在一次请求过程中涉及到的所有接口工作信息,将一次分布式请求还原成调用链路实现服务监控。基于动态分散就座需求和信息过载情况,设计并实现了在线票务系统,有效解决了系统个性化推荐和高并发难题。系统测试结果表明,在用户体验和系统性能方面均达到预期目标,满足用户基本需求。