随着大数据时代,特别是“互联网+”的到来,信息过滤成为人们必须面对的问题。对于用户不明确或难以表达的需求,推荐系统通过分析用户动态和静态数据,更加主动、智能地过滤信息,从而向用户展示他们潜在需求的东西。这一特性使得推荐系统在教育教学领域有着重要的作用。本文从推荐系统入手,深入探讨大数据处理技术,分析列举了一系列推荐算法及应用。尝试从阅读行为数据入手,构建学生的高阶阅读行为,作为教学辅助。本文依托Spark大数据平台,设计了一套集数据存储,数据清洗,个性化推荐的大数据推荐系统,并详细阐述了其主要功能的实现方法。本文构建了学生行为特征的多层次模型并生成学生的学习行为画像,在这基础上测试了高阶学习行为的加入对基于近邻的协同过滤算法有一定的提升,因此尝试将学生阅读行为的一些特征相似性融合到了隐语意模型中,提出了BSSVD++(Behaviour Combined SVD++)算法,并在现有的数据集上分别进行横向、纵向比较,获得了较好的模型和参数。研究结果表明本文提出的这种基于个人阅读习惯特征的个性化推荐系统能够合理有效地利用学生的阅读行为数据,较为精准的定位学生的阅读习惯和阅读风格,实现个性化的推荐,具有重大的现实意义。