伴随着科技革命以及信息技术的成熟,我国社会步入互联网和大数据时代,网络从根本上改变了民众的生活习惯,电影产业也进入了前所未有的兴旺繁荣阶段,各种网站系统电影种类数量繁多,人们往往很难做出选择,如何从海量电影中选择自己喜欢的类型成为了个性化电影推荐系统的研究热点,国内外对电影推荐系统的研究也正如火如荼进行着。因此,为了向用户推荐满足自己偏好的高质量电影,本课题设计并实现一个电影推荐系统。本文介绍和分析了业界常用的推荐算法,并提出基于离线和实时的电影推荐系统。在离线推荐方面,采用ALS作为协同过滤算法训练隐语义模型,结合矩阵分解推荐算法可解决推荐系统存在的数据稀疏性问题,通过不断调参找出最优参数组合,隐语义模型训练完成后可以得到所有的预测评分,基于预测评分和真实评分可得到理想的RMSE和MAE,在电影推荐系统里为用户带来更好的推荐效果,在用户登录系统后增加选择用户喜爱影片类别标签页,可解决推荐系统面临的新用户冷启动问题。实时推荐方面,对基于物品的协同过滤算法进行改进,通过增加奖励因子和惩罚因子作为权重因子,针对用户最近的电影评分,使备选电影的推荐优先级得到进一步提升,可快速定位用户近期的偏好影片类别,将高分电影推荐给用户。本项目采用大数据框架中最流行的Spark分布式计算引擎,相比于Hadoop,Spark的实时性与数据计算分析能力更优越,结合Mongo DB业务数据库、Elastic Search搜索服务器、Redis缓存数据库、Flume、Kafka、Spring等工具搭建一个支持处理庞大数据、可靠的、健壮的离线和实时的电影推荐系统,为高效处理海量数据集提供技术支持。