在互联网时代,越来越多的人喜欢从百科类网站上获取知识,然而互联网信息爆炸问题已经严重影响到了百科类网站的信息质量。每日不断激增的数据给词条的编纂工作带来了重重困难。繁重的更新维护工作已经不再是简单的人工就可以完成,这就需要搭建一个推荐系统来解决该问题。推荐系统可以从来源众多的互联网数据中找到和对应词条相关的数据,及时推荐出来。KBA2012评测就是针对这些问题提出的,评测的任务是为维基百科中的实体推荐与其相关的文档。论文研究分析了实体链接和文档排序法、跨语言词典检索法、随机森林文本分类算法等方法。论文工作中作者首先采用了查询扩展方法来进行。对原始数据集进行预处理后,用Indri动态文档索引技术建立全文索引,之后使用改进的TF-IDF公式计算实体的查询扩展词。使用查询扩展词去索引中检索相关文档,通过计算相关文档与实体文档的杰卡德系数,从而得出最终的相关文档集。查询扩展方法得到结果的Fl值较低,在此基础上,论文采用将KNN并行算法部署在Storm分布式集群上来进行。论文对海量的评测数据集进行了特定的文本预处理。通过特征词提取、文档的特征空间表示、文档间相似度计算和分类决策,实现了KNN并行算法。论文将KNN并行算法的拓扑结构部署在Storm集群上,调整集群的参数使得集群效率达到最大化,从而实现了本文的分布式推荐系统。论文工作通过调整算法中的配置参数进行了多组实验,对多组实验结果和KBA2012评测中给出的官方结果进行了比较分析,本系统得到了较好的相关文档推荐结果,验证了该海量数据推荐系统的有效性。