随着信息技术和互联网技术的飞速发展,使用互联网的人数不断增加,互联网产生的信息量呈指数级别迅速增长,人们已经从信息匮乏的时代进入了“信息爆炸”和“信息过载”的时代。但是,信息的爆炸式增长一方面给用户带来了很多的选择,另一方面也增加了用户选择的困难,用户需要从海量的信息中过滤掉不相干的信息。推荐系统就是基于这样的背景下诞生的,它的作用就是根据一定的知识学习来为用户挖掘有用的信息。推荐系统一方面可以帮助用户发现他们感兴趣的、有价值的物品,改善用户体验;另一方面让物品和服务通过社会化媒体平台展现给它们感兴趣的用户面前,从而实现用户和物品提供商的双赢。近些年来,依托于机器学习以及数据挖掘技术的快速发展,推荐系统在理论和实践方面都取得了长足发展,但是随着当前互联网行为信息的不断累积,传统的单机模型在面临大数据量的时候,常常面临着数据稀疏、扩展性差以及训练模型耗时耗力等问题,造成用户或者物品的推荐质量不高,算法亟待改进。具体来讲,本文的主要工作以及贡献如下:(1)结合Spark云计算平台,提出了一种矩阵分解与最近邻融合的推荐算法。在传统矩阵分解的过程中,矩阵分解前后会丢失一些用户以及物品的相似性信息,本文通过深入分析矩阵分解的基本原理,提出融合最近邻技术到矩阵分解模型中,经过实验证明,该模型可以有效提高传统矩阵分解的推荐准确度;为了进一步提高模型的可扩展性,结合Spark云计算技术,提高了模型的计算效率。(2)提出了一种融合时间上下文的矩阵分解推荐算法。用户的行为和兴趣是随时间变化的,本文通过分析时间上下文相关的基于用户的协同过滤和基于物品的协同过滤算法得出改进思路,将传统的矩阵分解推荐模型进行扩展,并在扩展模型中考虑了时间因素对用户兴趣的影响,提出了融合时间上下文的矩阵分解推荐模型。