互联网的快速发展推动着数据信息呈现着几何式增长,数据占用空间从GB发展到TB甚至PB,飞速增长的数据规模标识着人类进入了大数据时代,大数据给人类带来的冲击不容小觑,用户从爆炸式数据中挖掘出有效信息的效率反而降低,此时,通过对用户数据进行相似度计算能够在一定程度上解决信息超载问题,从而提取出相对热门并有用的数据信息。Hadoop是当前应用最为广泛的云计算开源平台,MapReduce并行编程模型是云计算的关键技术之一。但在实际运用过程中,MapReduce模型计算过程中存在临时数据量大,Reduce任务分配不均会导致系统资源率低等问题。本文针对MapReduce模型的应用,给出了一种利用MapReduce编程模型的分布式计算能力来实现海量数据的相似度计算方法,从I/O操作和负载均衡策略两个方面改进了MapReduce编程模型。通过在Map阶段后使用Stripe算法和SStripe算法完成对中间结果的本地聚集工作,以有效地缓解大量I/O操作引发的磁盘阻塞和网络阻塞;通过在原有负载均衡策略基础上增加基于Balance策略的改进算法,将本地聚集阶段产生的结果均匀分配,以减轻Reduce负载不均带来的网络开销。本文构建了一个基于Hadoop的实验平台,通过一系列对比实验验证了I/O优化算法和改进的负载均衡策略在相似度计算应用中的可行性和有效性。