现今社会,随着科技的快速发展,电影方面的信息量与日俱增,与电影相关的信息超载情况已经成为了目前不容忽视的问题。当我们准备看部电影放松放松时,可能因为电影方面信息过多,想要寻找一部满意的电影放松一下将会变得十分困难。除此之外还有大量的用户隐式反馈没有被得到使用,因此如何从海量的电影信息中利用隐式反馈,寻找到自己想要看到电影变成了一个研究热点。此外对于新用户和新电影因为缺少相关数据,而无法产生推荐。针对以上问题,本文设计和实现基于Spark Streaming的实时电影推荐系统,为了能够将用户的隐式反馈和用户的显示反馈相结合,对用户进行实时的电影推荐。同时也解决新用户和新电影不能及时的得到推荐的问题。本文的主要研究工作有:1.在Spark平台上使用基于模型的协同过滤算法构建离线计算系统。设计了一个解决矩阵分解协同过滤算法的冷启动方法,相比于原始的协同过滤算法,提高了推荐精度。2.在Spark平台上使用Spark Steraming构建了在线计算系统。设计了模拟日志程序,它能够实时的产生用户日志文件;设计了Spark Streaming实时接收模块实时的接收和处理用户日志文件;提出如何量化用户隐式反馈计算关注度,将关注度与离线算法模型结合得到在线推荐列表。3.使用java设计电影推荐系统的WEB端。设计了用户操作浏览模块和管理员操作管理模块。用户操作浏览模块可以对用户提供注册、实时推荐等功能;管理员操作管理模块提供电影的添加和下架等功能。