随着移动互联网的飞速发展,用户在上网时需要面对的信息也呈几何级的增长,这些信息远远超过了普通用户承受范围,造成了不可避免的信息过载。针对大数据时代信息过载这一普遍问题,本文深入研究了能很好解决信息过载的技术:推荐系统。而在数据爆炸式增长的当下,推荐系统也面临着各种新的挑战。数据稀疏、冷启动、大数据场景下的可扩展性、推荐结果的准确性和实时性,每一个都是大数据场景下推荐系统正在面临的问题。本论文通过详细的探讨推荐系统的算法原理和系统实现的关键技术,详细分析了各种推荐系统的优势以及弊端,以及目前主流的两种大数据框架Hadoop和Spark。通过对已知推荐算法面临的问题逐个进行分析,并给出可行的优化方案:通过实时流处理技术提高系统实时推荐速度,通过基于情境感知的推荐提高准确率,等等。最终将各个优化过的方案结合起来设计出了基于Spark的实时情境推荐系统。本论文中设计的推荐系统性能在实时响应速度、推荐准确率、推荐召回率等多个方面优于普通推荐算法,对推荐系统的研究具有一定的启发作用。