随着互联网的发展,针对每一个用户提供不同的个性化服务的推荐系统已经深入到互联网的各个领域。本文对推荐系统的国内外研究和应用现状进行了调研,然后提出了一个推荐系统框架来改善推荐系统存在的部分问题。　　本文首先针对推荐系统中存在的冷启动问题,通过对物品的内容进行特征抽取,进而通过分析用户模型进行用户建模,再对基于内容的推荐算法和基于用户行为协同过滤的推荐方法进行后端融合,来缓解推荐系统的冷启动问题。其次,针对处于推荐系统中核心地位的相似度计算,本文认为传统的向量相似度计算方式存在一些不足,提出了相似度计算的改进方法:在基于内容的推荐算法中,使用机器学习的方法来解决物品特征相似度的线性加权问题;在基于用户协同的推荐算法中,引入区分度来改善用户的相似度计算方法。针对海量内容和海量用户环境下相似度算法耗时较长从而导致实时推荐难以实现的问题,提出了后台与前台分离的系统框架。对于后台的相似度计算,本文使用分布式计算框架来加快计算流程,前台只需要获取相似度数据,而后进行基于用户兴趣与当前场景的重排序,就可以给用户提供实时推荐结果,提高了推荐系统的实时性,更好的适应了海量数据环境。对于用户兴趣问题,本文使用心理学模型来刻画用户长期兴趣的动态变化,并将用户的显式和隐式反馈用于描述用户的短期兴趣,来改善排序的结果。最后,本以电影推荐为例,实现了一个电影推荐系统原型,并给出这个系统在新闻和音乐推荐的扩展方式。