互联网的飞速发展使网络信息数量呈现出指数增长的趋势,这一现象为用户带来海量信息的同时也造成了信息过载问题,用户在面对大量信息时难以从中获取感兴趣的高质量信息。针对互联网信息冗杂带来的用户筛选信息困难的问题,推荐系统作为一种信息过滤技术,可以为用户从海量信息中筛选出有价值的信息,解决互联网的信息冗杂问题,提高信息利用效率。推荐系统的核心是推荐算法,传统的推荐系统由于使用单一的推荐算法从而导致推荐效果欠佳,高质量的推荐系统往往需要多种算法融合才能达到预期效果。本文介绍了一种在基于内容推荐和协同过滤推荐策略的基础上融合逻辑回归精排序模型的混合推荐方法。并在算法模型中添加交叉特征,用于提升推荐结果的个性化程度。评测实验使用某音乐门户网站的用户听歌数据作为数据集,实验结果证明该系统能有效提高推荐效率,在准确率和召回率两项评测指标上有明显的提升。推荐系统的设计与实现工作分为系统构架设计与推荐算法设计两个层面。系统构架采用三层式结构,自下而上分为数据集合层、推荐内核层、推荐系统外层,是保证推荐算法逻辑完整性的底层基础。该构架既可以进行数据分布式处理,又有很强的高维特征扩展性,适用于大数据处理场景。推荐算法的设计层面阐述了逻辑回归精排序算法模型的建立,并选取三种主流推荐算法作为对比模型,设计三组对比实验,以证明本文的混合推荐方法在同时考虑用户和物品特征的应用场景下效果最优、更具普适性。此外,提出融合交叉特征增强推荐系统个性化程度的方法,并通过实验证明其有效性。