随着网络技术的不断更新与迭代,人们已经由信息闭塞时代过渡到信息过载时代。为解决信息过载问题,科学家和工程师们通过大量的研究和实践提出了许多优秀的解决方案,推荐系统是其中最具代表性的解决方案。推荐系统根据用户的兴趣爱好建立用户与产品之间的关系,为用户提供个性化产品推荐服务,被广泛地应用在社交网络、电子商务等领域,逐渐成为一个热门研究方向。然而因为互联网的发展快速,随之而来的是用户量和物品数量在呈现指数级地增加,这使得传统的推荐系统功能不再能满足。由于冷启动与打分稀疏性等众多问题的,导致系统的推荐质量大打折扣。同时,用户与产品数量的增多也使得推荐算法的计算量也随之增加,系统的性能越来越差,无法为用户提供实时的个性化产品推荐服务。另外,传统的推荐算法只考虑了用户间的直接社会关系,而忽略了用户打分偏好和社区聚类特征对推荐质量的影响。针对上述情况,本文的研究内容如下:(1)将社交网络社区划分技术与协同过滤推荐算法结合在一起,本文提出了一种基于改进模糊聚类社区结构划分的推荐算法FBRA。首先,对于用户相似性矩阵,结合用户间最短路径,构建用户关系矩阵。接着,使用改进后的模糊聚类算法对社交网络进行社区划分,形成用户最近邻居集合,有效缓解了数据稀疏性和冷启动行问题。最后,利用社区中邻居用户评分对目标用户未打分的项目进行预测评分,最终生成一个Top-N推荐列表。实验验证了算法的推荐准确性和运行效率。(2)提出了一种融合用户评分偏好聚类的协同过滤推荐算法RKM-UserCF。首先,利用MapReduce并行计算的特性并行随机选取K-Medoids的初始聚类中心,同时采用轮廓系数法确定最佳聚类数量K,由此避免了 K值不确定性和不合理的初始聚类中心带来的聚类质量低的问题。然后,针对大规模社交网络数据,采用MapReduce计算框架并行替换聚类中心,对改进K-Medoids算法进行并行化设计。最后,根据用户-项目评分二分网络上的资源扩散得到用户的评分偏好,然后结合用户相似度,将目标用户最近邻集合的选取由整个社交网络范围缩小为聚类簇群,最后基于用户协同过滤算法实现对目标用户的Top-N推荐。实验验证了该算法的推荐准确性和运行效率。(3)本文利用Hadoop分布式框架,基于前述提出的推荐算法设计了一个个性化电影推荐系统。系统具有以下功能:①.系统可以向用户提供个性化电影推荐服务,同时用户也可以在线搜索任意想看的电影并为该电影打分;②.系统会向用户推送近期热门电影以及各国家、地区的年度优质电影榜单;③.系统具有社交网络特性,用户间可以根据兴趣爱好互相关注成为好友,好友间可以相互分享、转发、点赞、评论各自的分享;④.系统具有社区功能,用户可以加入自己感兴趣的社区,同一社区内用户拥有发帖、评论、点赞等功能。