信息数据的高速度增长带来了信息过载问题,如何在海量数据中挖掘出数据的潜在价值,为用户作出更好的推荐,关乎着一个企业的生存乃至发展。推荐系统的推荐效果离不开推荐算法、推荐模型的支撑。协同过滤算法作为推荐系统主流推荐算法,对提供更好的推荐服务起到十分重要的作用。因此,本文对传统协同过滤算法进行改进,在此基础上设计并实现分布式电影推荐系统。（1）基于协同过滤的推荐算法研究。针对数据稀疏性、用户评分单一的相似性,低精度的相似度度量降低了推荐系统的性能问题。提出了一种基于项目属性与用户兴趣迁移的协同过滤算法。首先,不再仅仅依靠用户对项目的评分定义用户兴趣,而是考虑项目类别属性反映用户兴趣,构建项目属性相似度计算方法;其次,考虑用户的兴趣会发生动态迁移,引入艾宾浩斯遗忘曲线,构建用户兴趣度计算方法,量化用户兴趣变化;最后,构造新的相似度计算模型。针对传统协同过滤算法由于缺少用户历史评分数据,无法准确为用户作出推荐,新用户或者新项目的加入,仍然存在冷启动问题。提出了一种基于矩阵分解与聚类的协同过滤算法。在矩阵分解的基础上对项目属性进行聚类,用已更新后的项目特征矩阵和用户特征矩阵相乘得到的用户预测评分矩阵,为用户进行个性化推荐。（2）基于协同过滤算法的分布式推荐系统分析与设计。在所提出改进协同过滤推荐算法的基础上,按照软件工程设计思想,从技术可行性、经济可行性、功能与非功能方面对基于协同过滤算法的分布式电影推荐系统进行了需求分析,明确了系统采用B/S三层架构体系,阐述了系统的分布式设计,并对各个功能模块进行了详细设计。（3）基于协同过滤算法的分布式推荐系统实现与测试。实现的基于协同过滤算法的分布式电影推荐系统基于大数据平台,数据存储在ES和文档数据库Mongo DB上,非关系型数据库Redis实现数据的高速读取,并融合基于内容、实时、离线非个性化推荐等方式进行混合推荐。为了验证系统是否满足开发需求,对系统进行功能测试以及分布式环境下并发访问的性能测试。