随着互联网技术的日益发展,人们逐渐从信息匮乏的时代进入了信息过载的时代。这种情况下,无论是信息的消费者还是信息的生产者都面临着严峻的挑战。对于消费者,无法快速的从海量信息中找到自己感兴趣的信息;而对生产者,如何把自己生产的信息推送给可能对它感兴趣的用户成为系统瓶颈。我们需要一个自动化的工具,它可以分析用户的历史行为,挖掘用户的潜在兴趣,进而从庞大的Web资源池中找到用户可能感兴趣的信息推送给用户,这一工具便是个性化推荐系统。推荐系统是用户和信息的桥梁,帮助用户发现信息,又能更好的发掘信息长尾,从而实现信息消费者和生产者的“双赢”。推荐系统的基本流程是跟踪用户上网行为,深入分析用户历史偏好,预测用户可能感兴趣的信息。在这个流程中,一方面,收集用户的哪些行为数据以及如何收集是系统首先要解决的问题,只有高质量的有潜在价值的用户行为才能对推荐产生指导作用。另一方面,海量的数据背景对个性化推荐系统提出了新的挑战,如何部署系统才能保证用户行为数据存储的可靠性、可扩展性与分析的高效性。最后,推荐结果的准确有效性是衡量推荐系统的直接指标,只有新颖、多样、准确的推荐结果才能提高网站的用户体验。本文针对推荐系统面临的诸多挑战,提出了一套综合的解决方案。有效的融合了显式反馈和隐式反馈数据,从这些行为数据中发掘出可能蕴藏的规律进而分析用户的喜好。在数据存储和分析模块,系统选取了 Apache Hadoop集群,HDFS保证了信息存储的可靠性与可扩展性,MapReduce又保证了分析的高效性。在推荐引擎模块,本系统将Apache Mahout搭建于Hadoop集群之上,使其有高吞吐、高并发等特点,并详细研究了 Taste推荐引擎的框架和源码,针对数据稀疏性、冷启动、用户兴趣随时间变化等问题进行了二次开发。最后通过大量实验验证了系统的功能、性能及推荐结果的准确有效性。