如今伴随着互联网的快速发展,大量信息也随之产生,虽然为人们提供了更多价值,但这也意味着用户越来越更难以迅速有效地收集并获取满足其自身需求的信息。推荐系统作为一种常用的并且有效的过滤数据信息的方法和手段,越来越得到人们的重点关注。虽然协作过滤算法易于理解,并仅依赖于用户过去的历史评分数据的特征。但它具有冷启动,数据稀疏和难以缩放的缺点。与此同时,伴随着如云计算等新技术的飞速发展,目前的数据量级甚至都达到了ZB级。数据的大量产生使在单机环境下系统的性能受到一些影响。那么要使推荐系统在大数据环境中也可以获得更好的推荐结果,本文对推荐系统和大数据处理中的关键技术展开了相关研究。本文的主要研究工作和创新点如下:针对冷启动和数据稀疏的问题,提出了一种有关信任在网络上进行传递的模型。首先,根据消费者已有的直接信任关系,利用构建的模型来对消费者之间的间接信任关系进行预测,并且把数据的稀疏性问题有效解决。其次,在信任传播模型的基础上,采用随机游走算法,构建一种基于信任的协同过滤推荐模型,改进了消费者之间的信任度计算,区分消费者之间的信任度更加方便,因此给那些信任度高的消费者更高的权重。最后利用EPN的相关数据集进行相关实验分析与设计,来验证本文所提出的改进模型是否高效。从实验结果可以看出,改进模型可以更好地提高给用户推荐的范围,并减轻诸如数据稀疏之类的问题。与Trust Walker推荐模型相比,该模型在MAE和PS指标上达到了更好。针对在大数据的背景下,改进的推荐模型面对海量数据时的可扩展性和计算效率问题,提出了模型在Map Reduce处理平台上进行并行化的分析和处理,在进行Map Reduce并行化处理时,按照Key-Value相对应的模式,按Key重新排序把一个大的问题并行划分成子问题来求解,然后通过Reduce函数将具有相同键的值进行处理,Map函数的作用是将问题划分为子问题然后求解,Reduce函数是将划分求解后的子问题进行合并处理,最终得到一个结果。得到的结果进行对比实验。从实验结果可以看出,并行化的操作后,模型在解决冷启动问题,减轻数据稀疏性和提高推荐精度的同时,可扩展性和计算效率也表现出良好的效果。总之,本文对推荐系统和大数据处理的关键技术展开了深入的研究,针对大数据环境下,推荐系统所存在的问题提出了构建信任模型的方法并进行并行化处理。本研究结果为大数据环境下的推荐系统里的算法和技术的研究提供了思路,具有一定的借鉴意义。