当今互联网的迅猛发展,在各行各业产生了大量数据,这些数据或显式或隐式的记录了用户的行为以及偏好,利用这些数据可以发现用户的很多重要信息。近年来,传统博物馆的数字化、智能化为更好的服务观众提供了条件,博物馆可以利用观众的行为信息提供个性化的服务。因此,充分利用云计算、大数据以及推荐系统帮助观众发现自己可能感兴趣的藏品,寻找兴趣相似的人,可以为观众提供更好的游览体验。本文针对推荐算法面临的冷启动、数据稀疏性问题,混合使用了基于内容的推荐算法以及基于聚类的推荐算法进行推荐。本文首先介绍了本课题的研究背景,目前国内外智慧博物馆的发展状况以及推荐系统的国内外研究情况,同时阐述了个性化推荐系统相关的理论基础,对常用的推荐算法、评估指标、相似度计算、聚类算法和Hadoop大数据平台进行了说明,同时也分析了它们的优缺点。其次本文对博物馆的藏品数据和观众数据进行了预处理操作,得到了三个主要属性特征矩阵。然后对模糊聚类算法的初始聚类中心进行了优化,并且对优化的算法进行了MapReduce并行化,得到了新的MRKPFCM算法,同时进行实验验证了算法的有效性。之后针对解决协同过滤算法的稀疏性问题,将MRKPFCM算法与经典协同过滤算法相结合,提出了基于MRKPFCM和观众的并行化协同过滤推荐算法与基于MRKPFCM和藏品的并行化协同过滤推荐算法。另外本文将上述两种推荐算法进行加权混合推荐,以基于内容的推荐算法为补充,产生最终的推荐结果。最后本文搭建了基于Hadoop的博物馆藏品推荐系统,实现了查看藏品信息,藏品推荐以及推荐系统参数调整等功能,并且使用传统的推荐算法和基于MRKPFCM的推荐算法进行了对比实验,验证了本文改进的算法提高了推荐算法的推荐效率和准确率。