随着世界经济的发展，技术创新成为推动生产力发展的重要因素，如何将技术快速转化为生产力，成为世界各国研究的重要课题。技术创新平台在信息化手段的支撑下，整合产学研力量，促进科技成果转化、产业化和战略性新兴产业发展，推动技术创新和技术对接转移。由于技术创新平台应用的推广，技术创新平台的技术项目和供需用户越来越多，数据量爆发式增长，供需用户要在海量信息中快速找到合适的技术对接项目极其困难。技术推荐系统能够对用户进行个性化的技术推荐，提高技术对接的成功率。但是在技术创新平台和用户数量快速增长的今天，海量繁杂、多源异构的大数据，自然语言表达的、潜在的用户需求成为技术推荐系统快速有效地产生准确推荐结果的瓶颈所在。本文在此大数据环境下，结合本体论、现代智能推荐算法、大数据解决方法等思想，以提高大数据环境下技术推荐的精度和速度。本文首先分析了技术创新平台和技术推荐系统的特点、目标和研究现状，分析用户的需求，发现了目前技术推荐系统在大数据环境下存在的问题。结合技术推荐系统的大数据特点，在分析现有技术推荐系统应用现状的基础上，选择了对于数据要求较低、应用较为成功的协同过滤推荐算法。大数据环境下应用协同过滤算法对于自然语言表达的用户需求、用户潜在需求难以处理，影响了推荐精度。本文针对这一缺陷，考虑引入本体改进技术推荐模型，建立领域本体知识库，将语义相似度结合到传统的协同过滤算法中。一方面提高了推荐精度，可以挖掘动态潜在的用户需求，另一方面将文本表达的用户需求转化为本体知识库中的位置信息，提高了推荐速度。为了测试改进算法的有效性，通过相关算例测试结果表明，改进后的算法能在一定程度上提高推荐效率和推荐质量。但是对于海量繁杂的大数据，引入本体优化后的协同过滤算法的推荐速度还是有所欠缺，本文通过分析比较现有的大数据处理方法，结合技术推荐系统的大数据特点，选择了较为简单方便的MapReduce进行算法的进一步优化以提高技术推荐系统的推荐速度。算例测试结果表明，通过MapReduce优化后的基于本体的协同过滤算法的运算速度得到进一步提高。本文针对技术创新平台的大数据特点提出了基于本体和协同过滤算法的技术推荐系统，并引入了MapReduce处理技术，对技术创新平台和技术推荐系统未来的发展和应用有一定的价值。