随着大数据的不断发展,如何快速、高效、准确地从大数据中提取对用户有价值的数据就变得十分有意义。推荐系统是解决这样问题的有效方法之一,针对推荐系统存在准确率、覆盖率较低的问题,本文对基于用户和基于物品的个性化推荐算法进行了优化,并将优化后的算法在Spark平台上进行了实现,实验结果验证了优化后算法的性能,论文的研究工作和内容如下:(1)本文对基于用户的协同过滤算法存在推荐的准确率低的问题,对传统的计算用户之间的相似度进行了改进,主要是引入了用户喜欢的物品的属性特征向量,融合了用户的协同过滤相似度和用户喜欢的物品的属性特征向量相似度作为用户之间的相似度,并将优化前的算法和优化后的算法在Spark平台上进行了实现,最后通过实验进行了分析,证明了优化后的基于用户的协同过滤的推荐算法提高了推荐的准确率。(2)本文对基于物品的协同过滤算法存在推荐的覆盖率低的问题,对传统的计算物品之间的相似度进行了改进,主要是在计算物品之间的相似度公式中引入了参数,改变了物品之间相似度的计算方法,并将优化前的算法和优化后的算法在Spark平台上进行了实现,最后通过实验进行了分析,证明了优化后的基于物品的协同过滤的推荐算法提高了推荐的覆盖率。