互联网技术的发展与普及极大丰富了人们获取信息的种类和渠道,也给人们的工作、学习和生活带来了很大便利,但是这些浩如烟海的数据早已超过了个人所能接受的极限并产生了著名的“信息过载”问题,严重影响了用户获取有效信息的效率,由此个性化推荐系统应运而生。由于个性化推荐系统通过数据挖掘技术,能够帮助用户在大量冗余信息中提取出有效信息进而向用户提供定制的决策支持和信息服务,所以,在视频、电商、新闻等众多领域的系统中得到广泛应用。协同过滤算法是目前最成功也是应用最广泛的个性化推荐技术之一,但是,面临着由于数据稀疏、系统复杂性等问题引起的推荐精度与实时性欠佳的问题,尤其随着数据规模的不断扩大这些问题更加突出。因此,本文针对上述问题,研究了一种基于社交网络模型的混合协同过滤的改进方法。具体研究工作如下:(1)提出了一种用户社交网络模型和用户信任集合的构建方法。针对传统协同过滤算法在全局计算用户相似度,造成大量计算资源浪费,影响系统实时性的问题,采取通过用户社交信息构建社交网络模型,通过模型建立信任集合,在信任集合中计算相似度构建近邻集合的方式,将全局计算变为局部计算,从而提升系统响应的实时性。(2)提出了一种基于径向基神经网络的评分预测模型。针对传统协同过滤算法在计算预测评分时,忽略了用户自身评分特性的问题,采用径向基神经网络构建评分预测模型,使得预测评分更加贴近用户真实评分从而缓解数据稀疏造成的误差,提升个性化推荐精度。(3)提出了一种改进混合协同过滤算法。结合以上近邻集合建立方法与改进评分预测模型,针对传统协同过滤算法单方面从用户角度或项目角度进行推荐,而未把两者综合起来共同考虑的问题,本文采用自适应调节比例因子将两种协同过滤算法进行融合得出最终预测评分,同时提高了个性化推荐系统在数据稀疏情况下的调节能力和推荐精度。(4)在以上研究的基础上,设计与实现了基于Hadoop分布式计算平台web客户端的电影个性化推荐系统。具体包括为系统内注册用户提供个性化定制电影推荐列表、用户间添加好友、电影分类浏览、电影打分收藏评价等服务功能。文中共有图35幅,表10个,参考文献58篇