个性化电子商务推荐系统在过去几年得到迅速发展。许多大型的商业网站已经使用推荐系统为其客户推荐产品。例如Amazon、Ebay、淘宝等。这些推荐技术是网站个性化的一部分，它使网站自身适应每个用户的需求。推荐算法是推荐系统的核心。协同过滤算法是最常用的推荐算法。协同过滤推荐系统找出与用户兴趣相似的其他用户，通过其他用户的评分来预测用户的感兴趣的商品。但是，由于协同过滤算法存在扩展性等问题。算法的复杂度随着用户和项的数量的增加而急剧上升。因此，需要应用分布式协同过滤来解决这样的问题。 本文在一般协同过滤系统的研究基础上，利用分布式计算和JXTA实现了分布式协同过滤，其中有以下内容：（A）分布式计算。将中心化的数据库的数据分别分配到P2P网络中的对等体进行相似性运算，每个对等体负责计算一部分数据，然后每个对等体将计算的结果返回给分配任务的对等体。这个对等体将其他对等体返回的部分数据进行汇总。利用分布式计算可以有效减少计算项相似度的运算量，并且充分利用P2P网络中闲置的资源。（B）利用sun公司提出的P2P规范协议JXTA开发出一套P2P协同过滤系统。系统主要功能包括：⑴该系统充分利用JXTA的几个关键属性来实现数据传输与数据查询。如利用通告来建立接收信息的限制。利用JXTAserver socket用来监听信息，凡是不满足通告内容的数据都不会被系统接收等。⑵该系统属于完全分布式系统，每个对等点之间共同充当客户器与服务器的角色。数据库储存的数据是一些相似度很高的用户的评分数据，系统就是通过这些数据来对用户进行协同过滤推荐。⑶对等点储存部分的数据，这些数据是动态的，随时变动的。系统会将数据库里面相似度最低的用户数据作为阈值，进入对等体的数据相似值大于阈值，将会存入邻集数据库中。