随着互联网技术的快速发展,网络中的信息量呈现指数式增长,随之带来了信息过载问题。推荐系统被认为是解决信息过载的最有效的方式之一,推荐技术逐渐成为信息领域的一个研究热点。本文从推荐系统的基础理论出发,介绍了几种当前主流的推荐算法,并着重分析了基于网络结构的推荐算法。在此基础上提出了基于用户的网络推荐算法、基于项目的网络推荐算法、基于用户最近邻的网络推荐算法以及基于用户相似性预测的网络推荐算法。基于用户的网络推荐算法和基于项目的网络推荐算法分别引入了用户相似性和项目相似性的概念,使得项目-用户二部图中的资源以一种更加个性化的方式流动。通过在MovieLens数据集上进行仿真实验,验证了改进后的算法具有较传统的基于网络结构的推荐算法更好的推荐效果。基于用户最近邻的网络推荐算法和基于用户相似性预测的网络推荐算法通过引入数据集筛选和链接预测的概念,降低了数据集的规模和稀疏性,去除了数据集中的干扰信息。通过在MovieLens数据集上进行仿真实验,证明了改进后的算法使用较少的数据量即可达到传统的基于网络结构的推荐算法的效果,提升了算法的可扩展性。最后,本文使用MapReduce设计模式重新设计了文中推荐算法的执行流程,使用设计流程图和伪代码的形式详细介绍了算法中各个模块的功能和实现方式。MapReduce实现的推荐算法能够适应大数据背景下高并发的运行环境。