推荐系统需要可以推荐个性化的信息给用户。然而,现今的推荐系统通常不可以实时、动态的推荐个性化信息,这是推荐系统的实时问题。另外,由于经常存在用户/物品评分矩阵数据稀疏的问题。同时,由于新用户或新物品没有评论信息,因此不能准确的对新用户或新物品推荐,这是推荐系统中的冷启动问题。对于上述问题,本文提出了p-相似度来解决传统协同过滤算法对数据稀疏的问题。在p-相似度的基础上本文提出了CF-K-means混合推荐算法,优化了基于矩阵的协同过滤算法的方案,缓解了推荐系统中冷启动问题。同时本文研究了实时推荐应用,提出了适用实时推荐的算法,本文的主要研究内容包括:(1)针对推荐系统的数据稀疏问题,本文提出了p-相似度的相似度计算方法。该方法优化了传统的协同过滤算法中的相似度计算的过程,对于协同过滤算法求相似度加入了p因子,使用p-相似度的推荐算法更好的适应了数据稀疏的情况,缓解了数据稀疏对推荐的影响。(2)针对现今协同过滤算法的冷启动问题,提出了CF-K-means混合推荐算法,该算法解决了传统的协同过滤算法中存在的冷启动问题。基于矩阵分解的协同过滤算法会分解用户/物品的特征矩阵,然后对分解的新用户/新物品进行聚类,获得新用户/新物品的K个最近邻。使用K个最近邻的特征信息计算出新用户/新物品的特征向量,然后补充评分矩阵中新用户/新物品没有的评论,使用p-相似度计算方法计算相似度,进行推荐,从而解决冷启动问题。在该算法的基础上又提出了增量的混合推荐算法,提升了算法实时推荐的推荐效率。(3)基于Spark Streaming的实时推荐应用的研究。本文对实时推荐应用进行了研究,提出了推荐系统的整体架构,分为数据展示层、数据处理层、数据储存层。同时,对实时推荐的关键模块进行了研究和实现,包括四个关键模块:数据的模拟与订阅发布模块、流计算模块、实时推荐系统推荐模块、分布式储存模块,本文的数据储存主要用Hbase实现。最后对实时推荐系统进行了实验,验证了本文提出的实时推荐系统满足需求。