互联网的爆炸性发展在带给人们便利的同时也带来了严重的数据过载问题,为了解决这个问题,人们先后开发出了分类目录和搜索引擎两种解决方案,但都存在缺陷。随着时代发展,推荐系统开始成为一种常见的解决方案而登上历史舞台。然而当前的推荐系统往往是面向某个业务实现的针对性推荐软件,当业务需求或者环境发生改变时,推荐系统很容易出现各种问题,灵活性很差。此外当前市面上很多推荐系统都存在一些显而易见的过期推荐行为,即用户经常发现刚买过且当前不再需要的物品也会被系统反复地推荐。针对上述问题,本文提出一个可控算法且可跨平台运行的通用推荐系统框架,该框架能够运行多个经过优化的推荐算法,并对各个算法的输出结果进行整合去重,从而实现更加精准的个性化推荐。本文的主要研究工作如下:(1)为了实现框架能应对不同推荐业务的效果,本文通过GroupLines实验室获取了和电影推荐相关的MovieLens数据集,又通过爬虫拿到了Wargaming公司的用户数据集,并对两个数据集进行整理与转换,使之成为算法可以处理的格式,并且采取自适应噪音消除策略计算数据集的清洗阀值。(2)使用协同过滤算法来获取目标用户的推荐列表,并使用热门推荐和内容推荐对协同过滤算法结果进行补充;此外对协同过滤算法的运行效率,硬件资源使用效率,准确性以及多样性进行了优化。(3)采取综合推荐方案,将协同过滤算法的输出结果进行整合,获得两个整合推荐列表,之后从现有的四个推荐结果中选择效果最佳的一个。(4)通过对现有去重方案的研究,提出一种自动计算重复推荐窗口期的去重方案,用于去除上一阶段获得的推荐结果中不合时宜的推荐项目。本文通过使用Python语言编写框架,实现了数据爬取和跨平台支持,使用MapReduce进行分布式计算来支持大数据下的高效运算,而数据存取方面使用Hbase,最终实现了该自动推荐框架,且该框架可根据实际需要挂接其他推荐算法和相应的数据处理模块。