现代社会随着数据的急剧增多,逐渐进入到大数据时代,人们对数据深度知识的挖掘也不断增多。电影是人们必不可少的娱乐项目,对用户进行个性化的电影推荐也越来越重要。但是单模型推荐对推荐效果具有很强的局限性,根据环境的不同而采用统一的模型处理则会降低推荐效果,而且在数据飞快演变的快节奏中,对用户的实时推荐也变的尤为重要。因此,如果在尽可能短的时间内,根据用户的不同场景,对用户进行精准而实时的推荐是当前数据挖掘领域比较热门的研究话题。本文对推荐领域的算法和模型进行了研究,针对不同情景设计实现了混合推荐的实时推荐系统,主要对历史热门推荐、基于内容推荐、基于交替最小二乘法模型离线推荐、实时推荐进行了整合。实时推荐系统要求对用户的反应进行及时的回馈,使用了已有的简单推荐模型,目的在于使得推荐简单而有效。为了使推荐更能捕捉用户最近观影的兴趣偏好,对该模型进行了改进,在最近的评分较高的电影参与计算预测评分时增加权重因子,以得到满足用户需求的电影推荐列表。同时使用不同的选择策略优化了推荐电影的候选池内容,可以提高实时推荐的准确度。系统所使用的数据集是Movie Lens电影数据集,在实验部分对电影的推荐效果进行了研究和分析。系统包含前台业务系统、后台管理系统两大主体部分,并且在前台业务系统中嵌入推荐系统模块,并对所有系统设计了可视化页面,给予用户良好的操作体验。前台业务系统中增设积分功能,通过积分可以观看当前热门且需要付费的电影,旨在吸引并留住用户,增多用户行为记录并进行更准确的电影推荐。