● 摘要
协同过滤算法(Collaborative filtering)是推荐系统中应用最广泛的基本算法之一。不同于基于物品内容的推荐方法，协同过滤算法通过分析用户之间的相似性或物品之间的相似性来把物品推荐给用户。随着数据量的急剧扩大，如何在实际应用中提高协同过滤推荐算法的执行效率与推荐效果成为一个热点问题。
本文在深入分析相关技术的国内外发展现状的基础之上，针对协同过滤推荐算法数据扩展性问题开展研究。首先，本文设计了一种基于MapReduce分布式计算框架的实现协同过滤推荐算法的改进方案。通过分析MapReduce的相关技术和传统协同过滤算法在计算相似度和生成预测评分时的问题，设计了相应的协同过滤推荐改进算法，主要包括生成用户评分矩阵、计算项目相似度和如何生成评分数据3个部分。接着，本文基于MapReduce分布式计算平台，设计并实现了该改进方案。测试结果表明，本文的研究成果相比其他分布式协同过滤算法，在保证算法效率的情况下，可以显著提高算法的准确性。
通过本文的研究，有效提高了协同过滤算法的执行效率与推荐效果，改善了相应推
荐系统的性能，从而有效地实现用户和商家的互赢。