电影作为娱乐的重要组成元素,满足着人们的生活需求。但随时间的推移,电影资源逐渐扩大,使得人们难以从中找出自己感兴趣的影片。对于这种信息超载的问题,推荐系统就是一种不错的解决方案。推荐系统通过分析用户、物品和上下文等信息,挖掘用户的偏好,将满足用户偏好的物品主动推荐给用户。目前推荐系统的理论比较成熟,应用也十分广泛,但不同的推荐算法会存在各自的缺陷。为了应对单个算法的不足,以组合策略将多个不同算法进行融合,可以显著提高推荐的准确性。本文首先对电影推荐系统的功能和非功能需求进行分析。功能性需求方面,系统需具备用户基本行为功能和电影推荐功能。非功能性需求方面,系统需满足实时性和准确性等性能指标。接着,根据系统的开发软件框架及业务内容对软件架构体系进行设计,将其划分为视图层、业务层、推荐引擎层和数据存储层。推荐引擎层为核心层,包含基于GBDT与LR融合模型的离线推荐模块、基于Spark Streaming的实时推荐模块、基于Spark SQL的热门推荐模块和基于ALS的详情页推荐模块四种推荐场景。其中,离线推荐模块使用词向量嵌入的方式为推荐模型扩充特征,使模型的准确性提升。实时推荐模块使用Spark Streaming流处理的方式,保证电影推荐的实时性。又围绕推荐引擎做了详细设计,用数据预处理模块加速推荐计算,用日志模块更新推荐模型与推荐结果,用电影向量化模块扩充模型特征。然后,对电影推荐系统进行实现,主要对数据预处理模块、日志模块、电影向量化模块和四个推荐模块的实现进行了阐述。在实现过程中通过设计不同的类和方法,实现对数据的抽取与各种转化。最后,对实验数据集进行说明,部署系统测试环境,针对电影推荐系统的各功能进行测试,并进行了性能测试。对于功能测试,各功能测试结果均满足预期。对于性能测试,融入电影词向量特征的离线推荐模型准确性有明显提升,实时推荐模块也能达到秒级响应。