伴随着数据时代的到来,网络用户每天需要接收无数不同类别的信息,面临从海量信息中选取所需信息的困扰,这时推荐系统应运而生。在当下流行的大数据计算平台中,基于内存迭代计算的Spark框架更符合推荐系统的要求,相比较传统的Hadoop Map Reduce框架,Spark框架中的多个master节点解决了Hadoop中易产生的单节点故障问题,具有更高的实时计算能力,可以大幅度提升推荐系统的运行效率。通过对Spark框架下的个性化地点推荐系统现状分析,在了解系统设计相关技术的前提下,本文的研究重点为算法优化与系统搭建,针对用户的推荐需求,提出了离线推荐与在线推荐相结合的推荐引擎架构,完成了个性化地点推荐系统的设计与实现。为了改善传统基于LBSN的地点推荐算法中普遍存在的数据稀疏问题与冷启动问题,本文提出了融合用户偏好与上下文信息的加权矩阵分解算法,与传统的矩阵分解算法相比较,加权矩阵分解模型通过对用户-签到矩阵中的元素进行加权处理来缓解数据稀疏问题。在推荐系统的实现过程中,用户签到的影响因素主要包括用户偏好与上下文信息,其中用户偏好对签到行为的影响最大,本文使用的加权矩阵分解模型以用户偏好为基础构建目标函数,然后建模上下文信息对用户签到行为的影响,分别构建地理位置对用户签到行为的影响矩阵与社交网络对用户签到行为的影响矩阵,将这两个矩阵加入目标函数,来重新定义用户签到行为的影响因素,预测用户前往目标地点进行签到的概率,这种方式进一步提高了推荐算法的准确率与召回率。系统设计实现的整体架构分为数据源、数据仓库、核心业务与数据展示四个模块,模块间的稳定传输保证了推荐系统的顺利运行,其中推荐引擎部分根据需求的不同划分为在线推荐与离线推荐两部分,满足了推荐结果的准确性需求。最后在Gowalla数据集与Foursquare数据集的基础上对系统进行了实验测试,证明了本文所实现系统的高准确率与高召回率。