在大数据时代背景下,推荐系统已经成为一个解决信息过载问题不可或缺的工具。一方面用户通过推荐系统在海量的数据信息中筛选有用信息,获得有力的决策支持。另一方面提供推荐服务的电商、多媒体服务商等希望通过推荐系统来对用户进行针对性的个性化营销以提高收益。近十年来推荐系统取得了突飞猛进的发展,但仍面临着诸多挑战和问题,例如海量数据的存储计算和扩展性问题,原生的数据稀疏性问题,以及缺乏推荐系统的时效性问题等等。为了解决上述问题,本文基于Spark平台研究并实现了一个针对电影领域的混合推荐系统。第一,研究了目前常用的矩阵因子分解方法,提出了一种混合了时间因子和邻域信息的混合矩阵分解推荐算法。将用户所在群体兴趣随时间迁移的因素考虑其中,并采用了动量梯度下降的方式求解损失函数,在参数求解速度提升的同时提高了算法的预测精确性;第二,针对协同过滤的相似度计算问题,提出了一种改进的皮尔逊系数相似度计算方法,考虑了物品的热度和个体评分偏置的影响。经实验证明,该计算方法有效的降低了算法的均方根误差;第三,针对推荐系统的时效性问题,本文采用了增量ALS矩阵分解算法。对于新获取的信息,局部的修改模型而避免对模型的重新训练,节省了巨大的计算花销。实验证明,增量ALS较目前流行的增量SGD具有更快的交互速度和更高的准确度,有效的提高了系统的反应速度;最后本文基于Spark平台设计并实现了一个电影推荐系统,包括了日志收集、数据处理和混合推荐引擎等主要模块,并融合了上述优化方法,有效的改善了目前推荐系统遇到的主要问题。