推荐系统是运营商平台通过智能化和个性化的方式提升用户体验的重要工具,其主要目的是建立个性化推荐模型,制定合理高效的推荐策略。如何在海量的运营商平台中找到满足用户需求的商品并推荐给用户,满足用户的个性化需求,从而提高用户体验度,提高平台的粘度,成为运营商在“提速降费”背景下亟待解决的问题。目前,各大运营商均通过自有的电子渠道(如:网上营业厅)推出“手机绑定套餐”的营销模式,目的在于尝试寻求新的业务增长点。而实际上,通过网上营业厅访问或购买手机的用户占运营商存量用户中的比例依然较低,导致后台的用户-商品评分矩阵较为稀疏,而传统推荐算法在处理数据稀疏的用户隐式反馈信息时推荐效果差,且无法满足运营商平台推荐系统实时性问题。因此,本文主要在提高推荐效率和推荐系统实时性方面开展研究,并设计符合运营商特点的网上营业厅手机销售推荐系统。相关的主要工作和成果如下:1.针对传统推荐模型在运营商平台推荐物品资源时正确性较低问题,本文在原有计算用户或物品相似度基础上,添加了较为可以挖掘局部信息关系的双聚类技术用于构建推荐算法模型。通过Matlab仿真实验可知,双聚类技术与其它传统算法相比,其精确度和召回率分别有了大约22.6%和29.1%的提升,可以确保用户及时高效地获得正确的推荐结果;2.针对传统推荐只能离线处理问题,本文设计了基于Hadoop和流处理技术的实时推荐系统架构,将推荐结果存储于分布式缓存中。同时,引入Storm架构,根据用户当前行为的反馈及请求,进行实时推荐,避免单一Hadoop架构导致推荐流程停留在上一个阶段的情况发生,使生成的推荐列表更合理的契合用户的需求。冷启动问题仍是运营商平台在推荐系统中面临的难题,同时用户的兴趣可能会随着时间、环境的变化而改变。如何发掘用户更多兴趣也成为难点和重点问题,将在后续工作中使用趋势推荐,并结合评分时间特性,对该问题做进一步研究和探讨。