近年来,随着互联网技术的快速发展,网络已经和人们的生活密不可分。电子商务和快递行业的发展,为人们网上购物提供了便捷,也直接改变了人们的购物习惯。信息技术的不断革新以及电商平台各式各样的商品,吸引了大量的用户群体,给中小型电商企业提供了发展的机遇,同时也带来了诸多挑战。中小型电商企业应该对自建的在线系统中的性能和服务上投入更多的精力,来提升系统的稳定性、可用性、可扩展性以及并发性,其中并发性是提升系统高性能的重要一环,当购物系统的用户访问量过大时,会给服务器带来庞大的压力,可能造成系统响应时间过慢甚至是服务器崩溃等问题,导致用户粘度降低,进而可能造成购物平台用户的流失。随着购物系统规模的扩大以及企业的发展需求,购物平台商品的数量和种类会越来越多,也会给平台用户造成许多选择困扰。用户可能需要花费更多的时间来过滤自己不喜欢的商品,因此购物平台应该能够为用户提供优质的导购推荐服务,从而增强用户的购物体验感,不仅能够吸引更多的用户还可以增加平台商家销售额,更好的满足购物系统功能完善需求。本文致力于研究实现一个适用于中小型电商企业的支持高并发的购物推荐系统,主要对推荐的实时性和准确性以及系统的并发性能的提升。论文具体的工作主要有:（1）使用微服务框架Spring Cloud结合SSM架构作为购物推荐系统开发的基础架构,实现了拥有前端门户系统以及后端管理系统的购物推荐系统。（2）通过分布式集群、Nginx负载均衡、Redis缓存、Solr搜索服务器、MQ、数据库读写分离等技术方案的研究设计,实现对系统的不同层次并发性能的提升。（3）研究Hadoop平台。个性化推荐模块利用Map/Reduce的并行化计算能力以及HDFS的分布式存储能力,将需要推荐的商品数据信息的处理计算工作迁移,从而提升推荐结果实时反馈速度。（4）研究分析主流推荐算法,采用基于项目的协同过滤算法作为本文购物推荐系统的推荐算法,在此基础上结合用户注册喜爱标签对算法进行改进,进而提升了推荐准确度,并给出了购物推荐系统中不同身份的用户推荐冷启动的解决方案。