现代社会计算机网络高速发展,信息数据爆炸式增长,大数据的出现促进了推荐系统的发展,从而提高了人们的日常生活质量。在推荐系统中通常使用高维稀疏矩阵来量化不完全矩阵中用户与项目之间的关系。研究者们为了从高维稀疏矩阵中获取一些有用的信息,提出了多种大数据分析方法,其中隐特征分析已被证明能从高维稀疏矩阵中高效地获取和表示信息。基于隐特征分析的推荐系统通常采取随机梯度下降作为学习算法,而随机梯度下降作为一个序列算法,在处理大规模工业问题时具有相当大的时间开销和较低的可扩展性。为了解决以上问题,本文提出了一些新颖的并行策略,提高模型的收敛速率和计算效率。主要研究内容如下:(1)概述了隐特征分析方法在推荐系统中的应用,从理论上分析了随机梯度下降算法在并行时存在的问题,并研究分析了目前基于随机梯度下降的并行隐特征模型。(2)提出了动量结合并行随机梯度下降算法,该算法将动量效应加入随机梯度下降中,并通过新颖的数据分割策略实现算法并行化。在大规模工业数据集上进行实验,结果表明,算法能提高模型的收敛速度和计算效率。(3)提出了一种基于随机梯度下降的分层并行算法,该算法通过两个层次结构实现并行化,在大规模、稀疏、真实的数据集上的实验显示,基于随机梯度下降的分层并行隐特征模型在求解大规模矩阵因子分解时具有更高的加速性能。