在互联网技术日新月异的今天,超载问题日益突出,推荐系统则是这一问题的最优解决方案,能够基于用户的兴趣,在海量信息中迅速匹配到他们所需要的内容。而在现实中,因为物品与物品、人物与人物之间拥有大量的相关数据,基于单机的推荐系统因为性能有限,已难以针对海量的信息数据进行推荐计算。针对推荐系统的可扩展性,已出现了多个解决方案,它们都基于分布式开源软件架构Apache Hadoop。本文研究了HDFS分布式架构,并对MapReduce编程模型做了探讨,再与近年广泛应用的协同过滤推荐算法相结合,提出了一些基于MapReduce编程理论的分布式并行算法,而Mahout推荐算法框架正是对推荐算法MapReduce编程的封装。具体内容如下:(1)、本文研究了HDFS分布式架构,并对MapReduce编程模型做了探讨,再与近年广泛应用的协同过滤推荐算法和系统相结合。以MapReduce并行化编程作为该系统主要编程方式的,分解该算法的复杂任务,使之成为多个MapReduce作业小任务,为了使分布式并行处理能在Hadoop框架上得以实现,利用不同类型的协同过滤推荐算法做了验证,从而证实了,该设计在集群中具有较强的可扩展性,并行性也较好。(2)、研究了该系统的数据源结构,该系统推荐模块采用了旅馆业治安信息系统数据,然后深入分析该数据的内部结构,挖掘提取出有价值的数据。(3)、研究了多种开源框架的使用,包括Hadoop、storm、Sqoop、Mahout等开源框架或算法框架。由于采用MapReduce去实现酒店协同过滤算法,更有利于解释该推荐算法的精华,所以本文重点研究了如何采用MapReduce去实现酒店推荐算法。而在系统实现层面,采用了Mahout开源推荐算法框架,该框架是对MapReduce实现协同过滤推荐算法的封装,更加有利于开发。(4)、研究了基本信息系统的实现。由于推荐模块的最终结果需要呈现给顾客,所以这里需要简单研究下如何使用Java开源社区的框架去如何开发Web应用;而酒店推荐模块和Web系统是独立开来的。本文重点是酒店推荐模块。