现代信息技术的快速发展,可以帮助人们快速获取到所需要的信息,但是随着信息量的高速增长,想要在海量数据里面获取到自己想要的信息变得愈发困难。推荐系统为帮助人们实现信息过滤提供了有力的技术支撑。为解决单一推荐算法在数据量过大且用户和物品关联度不高时造成的数据稀疏性和冷启动问题,本文开展分布式计算模式下混合推荐系统的研究。主要的研究内容如下:（1）为了提高离线推荐的效果,基于统计的推荐算法和基于隐语义的协同过滤推荐算法设计离线推荐算法模型。利用数学和统计学相关知识,建立计算模型,训练不受或很少受时间影响的数据集,得到相关的离线推荐列表实现离线推荐。（2）为了实现实时个性化推荐,设计实时推荐算法模型,通过存取数据、日志采集、数据预处理和基于分布式的流式计算等相关流程,完成实时用户的数据采集并回写进离线数据库,计算得到推荐结果。（3）通过改进的TF-IDF算法调整标签权重,结合实时推荐模型,在实时用户信息采集时,与收集到的数据进行相似度计算,选择适量数据组成实时推荐列表,实现基于内容的推荐算法,使得实时推荐结果更能满足用户需求。（4）通过搭建Spark和Hadoop模式下的分布式实验平台,利用分布式集群技术结合混合推荐算法模型,进行基于混合推荐算法运行效率的对比实验,并采用相同大小数据集进行各平台运行速度对比实验。最后在分布式平台Spark上分析数据量的大小对均方根误差（RMSE）的影响,验证分布式计算模式下推荐系统的性能优势以及海量数据集下的推荐精度。（5）采用混合推荐算法模型的设计思路,设计实现了完整的分布式混合推荐系统,并利用开源电影数据集实现了基于Spark的电影推荐系统。从工程角度设计实现离线推荐和实时推荐,利用分布式工具在Spark平台下完成多种推荐算法间的相互通信,并结合开源的Web前端框架搭建可视化平台,实现了推荐系统的主要功能。研究表明,本文采用的混合推荐系统通过设计的混合推荐模型可以有效解决数据稀疏性问题和冷启动问题,提高了数据处理速度,为大数据处理提供了新的思路。