随着互联网的发展,网络用户数量和承载着各种信息的数据量都在快速增长。面对史无前例的数据量,用户如何获取到自己感兴趣的信息,互联网服务提供商如何让自己提供的服务被目标用户关注并使用都成为亟需解决的问题。智能的个性化推荐系统应时而生,推荐系统利用推荐算法分析用户的历史浏览、购买和评价等信息,预测用户喜好然后进行推荐。推荐算法是推荐系统的核心,本文对传统的协同过滤推荐算法进行了研究与优化,设计了一种新的基于PCA降维与改进的K-means聚类的协同过滤推荐算法PK-CF。该算法为解决用户-项目评分矩阵极度稀疏造成的相似度计算误差的问题,采用主成分分析法对用户-项目评分矩阵进行降维,去除包含信息量少的维度,只保留最能代表用户特征的维度;为解决协同过滤算法在系统规模庞大情况下的相似度计算耗时长的问题,对降维后的数据进行K-means聚类来降低搜索目标用户最近邻的用时,并基于k维树设计了新的初始质心选择算法对K-means算法进行了改进,在保证最终聚类效果的同时加快了聚类的速度。为了进一步提高推荐系统的实时性和可扩展性,设计了PK-CF算法在主流大数据平台Spark平台上的并行化方案,实现了对改进后的K-means算法的并行化和预测评分过程的并行化。本文在Movie Lens数据集上对传统协同过滤算法、基于K-means聚类的协同过滤算法及本文的PK-CF算法进行了性能测试,结果表明:PK-CF算法和其在Spark平台上的并行化方案不仅能有效地提高推荐结果的准确率与召回率,而且在时效性方面也有较好的表现。最后,本文将PK-CF算法应用到音乐推荐业务场景中,开发了一个音乐推荐原型系统,检验了PK-CF算法的实用性。