互联网时代极大地改变了人们的生活方式。随着信息技术的快速普及与发展,各类互联网服务,无论是电子商务平台、社交网站抑或是在线视频网站,都在运营中产生了海量的数据。如何处理这些信息,从中挖掘出潜在的知识并加以利用来产生收益,逐渐成为了各商业公司的关注焦点。推荐系统作为一种挖掘用户偏好并向其推荐商品的技术,无论在学术界还是商业界都被广泛研究。基于矩阵分解的相关方法在推荐大赛Netflix Prize中取得了单模型的较好表现,吸引了大量研究者对其改进和创新。但是,这些方法基于一些前提,这很大程度上限制了它们在实际环境中的应用,如1)模型的训练数据是用户的显示反馈。而在实际中,系统可能并没有设计显式评分的环节,而仅有一些收集的用户行为数据,如点击次数,浏览时长等。2)随着大数据时代来临,系统规模呈几何级数增长。单机的处理能力,无论从计算能力还是存储能力上来看,都越来越无法满足要求。本文提出并实现了一个基于分布式内存的矩阵分解算法,同时针对隐式反馈数据的特点对模型进行了修改,克服了当前矩阵分解推荐算法面临的问题。主要工作如下：1.修改了传统的基于显式评分的矩阵分解模型,使其对于隐式反馈数据也有良好的效果。2.分析了交替最小二乘法存在的并行优化空间。3.提出了三种在分布式环境下的数据分发与缓存策略,并使用spark提供的底层接口实现了在分布式内存上的并行化的交替最小二乘法求解。针对以上工作,本文设计了实验对结果进行验证。实验结果表明,本文提出的新模型可以有效地对隐式反馈数据进行训练,同时利用了分布式内存计算框架,相比传统的MapReduce编程模型有很大的性能优势。