針對(duì)傳統(tǒng)Slope One算法在相似性計(jì)算時(shí)未考慮項(xiàng)目屬性信息和時(shí)間因素對(duì)項(xiàng)目相似性計(jì)算的影響，以及推薦在當(dāng)前大數(shù)據(jù)背景下面臨的計(jì)算復(fù)雜度高、處理速度慢的問(wèn)題，提出了一種基于聚類和Spark框架的加權(quán)Slope One算法。首先，將時(shí)間權(quán)重加入到傳統(tǒng)的項(xiàng)目評(píng)分相似性計(jì)算中，并引入項(xiàng)目屬性相似性生成項(xiàng)目綜合相似度；然后，結(jié)合Canopy-K-means聚類算法生成最近鄰居集；最后，利用Spark計(jì)算框架對(duì)數(shù)據(jù)進(jìn)行分區(qū)迭代計(jì)算，實(shí)現(xiàn)該算法的并行化。實(shí)驗(yàn)結(jié)果表明，基于Spark框架的改進(jìn)算法與傳統(tǒng)Slope One算法、基于用戶相似性的加權(quán)Slope　One算法相比，評(píng)分預(yù)測(cè)準(zhǔn)確性更高，較Hadoop平臺(tái)下的運(yùn)行效率平均可提高3.5 -5倍，更適合應(yīng)用于大規(guī)模數(shù)據(jù)集的推薦。