互联网的快速发展带来了信息过载问题,人们从海量信息中寻找自己想要的内容变得越来越困难。在信息爆炸的互联网时代,个性化推荐技术已经成为解决信息过载问题的一种主要手段。推荐技术从用户的历史行为信息中分析出用户的个人兴趣偏好,根据用户的兴趣偏好从项目库中选择合适的项目推荐给用户。推荐系统这种主动从海量数据中为用户筛选项目的行为,可以极大地提高用户的体验,所以对推荐技术的研究具有一定的现实意义。本文首先讨论了个性化推荐技术的研究和应用现状,然后详细分析了几种重要的推荐算法的理论和优缺点。其次,重点对一种基于线性模型的算法——Slope One算法展开深入的研究和分析。在分析了该算法仍然面临的问题之后,通过结合传统的基于内容的推荐方法提出了一种改进的混合推荐算法,并使用公开数据集进行实验验证。实验结果表明,改进的算法一定程度上提高了传统算法的预测准确度。为了提高混合算法的可伸缩性,在分析了该算法的并行化可行性之后,通过结合实时的分布式平台Storm,将本文提出的混合推荐算法并行化实现。通过不同大小的数据集来测试串行算法和并行算法在模型训练阶段的时间消耗,并给出了实验结果。最后,基于改进的Slope one算法设计了一个电影推荐系统,该系统包括目标用户的评价信息收集以及针对目标用户的个人偏好给出电影推荐等主要功能,通过该系统验证了该改进的混合推荐算法的可实施性。