自1990年第一篇使用协同过滤算法进行推荐的论文诞生以来,推荐系统在工业界和学术界已经有了广泛的发展。传统的推荐系统算法主要使用的基于协同过滤的推荐算法,基于上下文感知的推荐算法以及基于社交网络的推荐算法等,而基于用户地理位置的产品推荐方法并没有广泛流行。但随着移动互联网的蓬勃发展,用户的地理位置数据通过手机端GPS开始被大量获取,开始成为商品推荐的重要特征属性,使得一些基于用户地理位置的商品推荐任务成为可能。本文总结传统的推荐计算方法以及现代的推荐计算方法的发展历程,通过收集基于位置的人口普查数据和产品交易数据,提出一些基于位置的产品推荐计算方法。同时,由于数据规模较大,数据计算和调度的管理变得越加困难,单机计算模式难以处理海量的计算需求,而基于MapReduce的Hadoop平台在面对多轮迭代的机器学习技术时显得有些力不从心。因此,本文使用Oozie来进行数据流调度的管理,并使用Spark来加速机器学习算法的计算效率。经过实验比较和验证之后,证明使用Oozie管理数据流调度能够让系统变得容易扩展和维护,使用Spark在机器学习算法效率上要远好于基于Hadoop的算法效率,且基于位置的推荐算法在测评上有良好的效果。