得益于互联网技术的快速发展,网络上的数据呈指数增加。人们被海量数据所包围以至于发现感兴趣的信息愈加困难,推荐系统在这种“信息过载”的情形下应运而生。单个推荐模型具有各种局限性,研究人员通常使用一些组合方法将多个推荐模型进行融合,利用多模型的优点来弥补单模型的不足。另外,传统的推荐模型需要定期更新模型,每次推荐的依据都是上次更新前的历史数据,难以满足实时推荐需求,而现实生活中推荐系统面临的问题更多是基于短时期内的数据,这类场景中的物品一般具有短时效性,因此实时推荐变得愈加重要。本文的主要工作有以下几个方面:(1)本文研究了推荐系统中常用的模型组合方法,并提出了一种混合多模型的协同过滤算法,在算法中提出了“虚拟邻居物品”。该算法使用协同过滤的思想将多个模型进行组合,克服了传统基于物品的协同过滤算法的局限,可以有效提高推荐精度。矩阵分解模型和受限玻尔兹曼机模型是效果比较好的两个单模型,本文主要选择这两个模型以及它们的一些扩展版本进行组合。实验中首先对四个单模型参数调优,然后对比四个单模型的效果,最后选择效果最好的两个模型通过本文所提算法进行组合,并与常用的其他模型组合方法做对比实验。(2)本文提出了一种基于用户行为权重的实时性改进算法,通过时间窗口对最近一段时间内的用户行为建模,充分利用用户行为数据的时间维度信息为不同时刻的行为赋予不同权重,使越靠近当前时刻的行为权重越大,从而对推荐结果的影响也就越大,使推荐结果更能体现与用户当前行为的关联性。最后通过实验验证该算法对推荐结果实时性的改进。(3)本文调研了Flume、Kafka、Storm三个分布式框架,并基于这三个分布式框架设计了一个实时推荐模型,并在模型中应用了混合多模型的协同过滤算法和基于用户行为权重的实时性改进算法。本文实现了该实时推荐模型,并研究模型在应用实践中的实时推荐效果,验证该模型可以为用户提供实时推荐。