随着科技的不断发展和人们对电商的认可度日益升高,网上购物已逐渐成为生活中不可或缺的一部分。淘宝、京东等平台深耕C2C领域,自身壮大的同时也改变了传统商业营销模式,推动国内电商业务持续蓬勃发展。行业的进步带来了极大的利润和便利,但其面临的挑战也日益严峻。第一,“数据过载”问题。电商业务的蓬勃使得相关用户及商品数据呈爆发性增长,用户越来越难以从繁杂的数据中及时、精确地找到所需信息。第二,“冷启动”问题。新用户暂时没有相应的历史行为数据,平台无法通过预测向其推荐适配商品,即用户冷启动。物品冷启动同理。面对亟待解决的“数据过载”和“冷启动”等问题,个性化推荐系统应运而生。本文采用文档数据库mongodb,结合基于交替最小二乘（Alternating Least Squares,ALS）的协同过滤算法和二分K-均值（bisecting K-means）聚类算法,使用Spark、flume、Kafka等大数据技术,设计和实现了基于协同过滤的智能电商推荐平台。该平台结合离线统计榜、离线推荐和实时推荐多种推荐方式,聚焦于冷启动和数据过载问题,专注从纷繁庞大的数据群中为用户挖掘适配商品,高效获取有价值的信息。论文主要工作如下:（1）通过实习期间对电商行业的调研和推荐流程的分析,明确本平台的功能及性能需求,并从业务架构和技术层级两个角度进行全局概要设计和子模块的详细分析与设计。（2）针对数据过载现象,本文引入大数据架构,利用Spark、mongodb、flume、Kafka等工具构建高效数据流平台,并建立基于星型模型的业务数据仓库,以拉链表的形式分层级储存用户及商品的缓慢变化维度数据和行为数据,提升了数据存储和处理的效率。（3）以大数据平台为基础,本文利用基于交替最小二乘（Alternating Least Squares,ALS）的协同过滤算法和二分K-均值（bisecting K-means）聚类算法构建了用户-商品混合推荐模型,并引入热点因子,使用top N算法混合推荐。（4）为了解决用户冷启动的问题,本文采用离线统计推荐和新用户标签问卷的形式对新用户的数据进行补充。同时,在实现电商业务的基础上,参考lambda架构离线和实时混合推荐,完成基于协同过滤的智能电商推荐平台。最后,构建测试模型以检测平台的功能完成度及性能水平。