随着科学技术的进步,越来越多的用户加入到互联网中,信息的产生以指数级增长,推荐系统也迎来了重大的挑战。科技的发展带动了软件行业的繁荣,越来越多的人加入到互联网行业,互联网技术的迭代速度非常快,相关工作人员需要时刻进行学习,随着技术人员的增多以及技术的快速发展,市场上出现越来越多的技术文章平台,海量的文章随之涌入,因此文章推荐的功能实现可以帮助平台改善用户体验,使得用户快速找到感兴趣的内容,更好的留住用户。目前主流推荐模型有很多,主要分为单一模型和混合模型的推荐。单一模型不能有效地挖掘出文章的深层信息,不能很好地满足用户的需求,混合模型则是将多个单一模型根据实际应用的场景不同,进行混合使用。使用混合推荐可以有效的提高推荐的准确率,但目前在文本混合推荐方面,大多数只是简单的根据文章中的词频来提取关键词,将关键词的权重作为文章特征权重进行计算,而不能准确地提取出文章中具有代表性的关键词的权重,同时混合模型在时间复杂度上比单一模型大,运行速度较慢,在真实使用场景中,使用混合模型进行推荐时,需要解决运行速度慢的问题。针对上述不足,本文采用基于Spark工业级大数据开源框架研究并实现了技术文章混合推荐系统,整个系统可以满足工业数据级的开发使用,在进行文章推荐的同时,改进了文章特征权重的计算,能够达到更好的推荐效果。本文的主要工作如下:1.给出了文章特征权重加权计算的方案。在传统的TF-IDF的基础上,利用Text Rank构建词之间的相邻关系网络,将TF-IDF权重值和Text Rank权重值进行联合加权求权重。通过实验证明经过特征权重的改进在文章推荐的准确率、召回率、F1-Score等评估指标上均有一定提升。2.构建基于Spark工业级的混合推荐模型,混合推荐模型分为了两个阶段:召回和排序。在召回阶段采用了基于ALS模型的协同过滤和基于Word2Vec内容模型的推荐。在排序阶段,并没有采用深度学习模型,而是采用了基于因子分解机（FM）的机器学习排序模型,基于良好的特征工程,即使是机器学习也能够拥有很好地推荐效果。3.设计实现了文章混合推荐系统。实现了用户登录注册、爬虫模块、页面展示以及大数据推荐模块等组成的技术文章推荐系统,其中后端采用了Spring Boot+Spring Data Jpa框架,进行业务功能的实现,使用了mysql进行业务数据的存储。大数据推荐模块实现中,使用了大数据存储技术hive和hbase进行数据存储,通过Spark对hive中的数据进行预处理、分析、建模等过程将最终计算的结果写入到Hbase,并通过Hbase传递到展示页面,完成系统的整体功能实现。同时对该系统主要功能接口进行了测试。为了缓和冷启动问题和数据稀疏性问题,本系统在对用户未登录和用户登录时未进行操作以及用户存在操作的历史数据等方面进行了有效的功能设计,更进一步缓和了冷启动和数据稀疏等问题。