随着互联网技术的不断发展与广泛应用,人们生活和工作节奏加快的同时压力越来越大,为减轻生活压力,O2O（Online To Offline）商业模式横空出世。所谓O2O是指将线下交易与互联网相结合,从而大大便利了人们的生活,但与此同时,这种商业模式下生成的信息正在呈指数型“爆炸式”增长,信息过载问题由此产生。解决信息过载问题、减少用户搜索信息时间变得十分迫切。为此,推荐系统横空出世,它通过运用现代化技术与算法,能够准确且有效预测用户喜好。目前,推荐系统发展较为成熟,已经被广泛使用在音乐、购物、电影等平台,但其仍然存在推荐效率低、新用户冷启动等问题,为解决这些问题,本文提出了一种基于大数据的个性化智能商家推荐系统。本文的研究工作主要包括:（1）融入用户属性特征的相似度计算。传统相似度计算方法通常只考虑用户在系统中的评分数据,而忽略用户属性的相似性,当新用户第一次进入系统时,缺乏评分数据,系统无法对其进行推荐,存在新用户冷启动问题。在用户属性中最能影响用户兴趣的属性是年龄和性别。因此,本次研究将用户年龄和性别等属性特征融入传统相似度计算,在新用户第一次进入系统时也能对其进行有效推荐,解决冷启动问题。（2）搭建混合聚类模型。传统协同过滤推荐算法在数据量大的情况下,算法运行时间长,推荐效率低。因此,本文在计算相似度时,采用混合聚类模型（Kmeans+Canopy聚类模型）,将相似度大的用户聚类到一起,形成多个聚类簇,在推荐时只需要在同一簇中寻找用户的最近邻居,以此缩短搜索时间进而缩短运行时间,提高推荐效率。（3）推荐结果可视化。搭建大数据集群,在集群上进行数据存储及运算。同时,为了让研究结果更有意义,采用SSM（Spring+Spring MVC+My Batis）框架搭建系统测试平台,将结果进行可视化。