随着计算机和信息技术的不断发展,推荐系统被应用在在线音乐、在线电影、游戏、网络购物等领域中,推荐系统已经成为一种解决互联网信息冗余和信息过载的必要手段。由于运行在单机的推荐系统计算速度迟缓,可扩展性差,推荐准确度较低,已不能满足大数据环境的需求。因此基于Spark的推荐系统研究应运而生。本文设计实现了一个基于Spark的推荐系统,改进ALS算法,该改进算法的目的在于提高推荐算法推荐的准确度。本文的主要研究内容如下:(1)设计实现了一个基于Spark的推荐系统。该系统能够改善单机计算速度迟缓、可扩展性差、只能处理部分数据等问题。(2)本文通过对传统ALS推荐算法的研究分析的基础上,发现该算法没有有效使用隐式反馈信息而造成推荐准确度较低问题。针对该问题,通过引入信任度对ALS做出了改进,即ALS-WR算法。通过对两种算法的实验结果表明ALS-WR算法与传统ALS算法相比推荐准确度进一步提高。并将ALS-WR算法应用到基于Spark的推荐系统中,提高了信息推荐的准确度,并且基于Spark的推荐系统与传统单机系统相比具有较强的数据处理能力和较高的可扩展性。