自人类跨入大数据时代,数据的海量、快速、多样以及价值性等增加了用户快速准确地获取目标信息的难度。传统的搜索引擎仅仅通过用户输入的文本进行暴力匹配,不能个性化地为用户推荐可能感兴趣的信息,导致相同的搜索条件没有因为用户的个体差异产生所需的结果,因此发展个性化搜索引擎势在必行。数据注册中心(DRC,Data Register Center)是面向数据的体系结构(DOA,Data Oriented Architecture)的核心部件,海量数据通过注册,将数据的信息存放在分布式DRC中供用户访问,用户访问这些注册的数据信息时会用到检索功能。分布式全文检索库Elasticsearch和DRC拥有较高的相似性,利用Elasticsearch可以实现分布式DRC的检索功能。同时,用户的历史行为数据也可以记录和存放于DRC中,通过Mysql对用户的数据违规操作实现追踪溯源。论文针对DRC的个性化推荐和搜索开展了理论研究与实验对比,取得的主要成果和创新点如下:(1)设计和实现了具有个性化搜索能力的DOA分布式DRC集群。通过实验和仿真测试,验证了其在可靠性、性能、可拓展性等方面的优势,证实了其数据不丢失的特性,并发处理的效率保证在千人并发访问时在5秒内能作出响应。(2)基于DRC实现了Elasticsearch个性化搜索模块。通过性能提升方案提高了用户搜索的准确率和效率。采用Cos RA算法结合DRC的用户历史行为数据实现了系统的推荐功能。(3)提出了一种基于IK分词器的新词发现方法。使用IK分词器的ik＿smart模式对用户输入的搜索文本进行过滤性分词并存入My SQL数据库的热词表中,用crontab命令定时执行Shell脚本,将热词表中满足条件的相邻词进行组合并插入到新词表中,实现新词发现。(4)提出了一种基于DRC的用户搜索个性化推荐算法。该算法将DRC用户历史行为数据和传统的推荐算法相结合,实现基于用户历史行为数据产生个性化的推荐,具有高准确率、高召回率和较好新颖度的特点。