面对互联网与日俱增的数据量,用户为了寻找某些信息而遍历整个互联网是不可能的。推荐系统是解决这种问题的方法之一,在新闻、音乐、电影、短视频等领域都有着出色的表现,为相关企业带来了巨大的商业价值。但是由于电商网站中影响用户决策的因素有很多,相关推荐算法仍然有巨大的研究价值和现实意义。论文的主要工作有:（1）本文设计了 一种推荐框架,该框架借助Flink的批流统一特性将离线批处理训练和实时增量更新结合在一起,并且可以提供实时推荐服务。（2）在传统离线推荐算法中,当用户实时评分之后,由于一条数据对整个数据集的影响不大,即使更新推荐模型,产生的推荐结果与用户评分之前的结果相似,并且它们不能专注于用户的短期兴趣。本文提出了一种实时推荐算法,在矩阵分解的模型之上,考虑用户近期的评分,使产生的推荐结果可以很好的迎合用户兴趣呈时间局部性的特征。（3）由于传统的矩阵分解方法通常基于静态数据集,对于新数据的到来,必须整合到历史数据集中重新训练来更新模型,难以适应数据流环境并且不能满足实时性的需求。本文对传统矩阵分解模型进行了数据分区并行化以及在线增量更新的改进。构造InNode和OutNode信息对数据进行分区,降低节点之间数据的依赖关系,大大减少算法运行中的通信成本;针对电商网站的特点,对传统ALS迭代方式进行改进,使之适应于流数据环境中的增量更新。（4）本文对当下主流分布式大数据平台架构进行改进,设计并搭建了分布式集群,然后,为了满足电子商务网站的各种推荐需求,基于Flink实现了分布式电商混合推荐系统。实验表明,本文各个算法在保证一定预测准确度的情况下,对新颖度、通信复杂度、运行时间等多个方面表现出色。