电子商务的兴起不仅为消费者提供了更多选择,而且还导致了信息超过人们所能处理的范围。为了从大量资源中快速找到喜欢的物品,用户希望出现可以为他们进行推荐自己可能感兴趣的物品的技术。因此,为了解决人们的问题出现了个性化的推荐系统。协同过滤推荐算法作为推荐系统最成功的算法之一,发挥了关键作用。尽管协同过滤算法已成功应用于许多商业领域,但是协同过滤算法的一些缺陷,例如数据的稀疏性等。面对当今信息社会海量信息数据的增长,对算法的准确性和通用性等方面都提出了更高的要求。在推荐系统中,推荐算法的准确性要求总是难以实现。用户的兴趣随着时间的改变也会发生变化,在大数据背景下,传统的协同过滤推荐算法无法为用户提供精准的推荐服务,使得用户数据的稀疏性在复杂的社交网络环境中成为影响推荐准确性的重要因素。本文提出在传统推荐算法相似度计算的基础上,结合用户的兴趣,不仅对用户与项目之间的相似度进行计算,还对用户兴趣的相似度进行计算,将用户的评分和兴趣度结合起来。本文改进的算法解决用户的兴趣问题,用计算实际的评分与推荐评价算法对比得到的结果来预测实际评分与推荐值之间的差值以及平均绝对偏差,推荐算法的准确性用MAE作为评估指标。对数据基于MapReduce并行计算框架进行处理,提高算法的性能和速率。将配备Linux系统的集群在Hadoop的框架下进行部署。对集群进行可行性测试,实现算法的推荐功能,根据实际问题对算法的功能进行实现。在Hadoop大数据平台上对传统算法进行改进,实现基于Hadoop的协同过滤推荐算法,以进一步提高传统推荐过滤算法的推荐速率和准确性。在最后的实验过程中,在任务的每个阶段对作业执行分布式计算并在已建立的Hadoop集群上运行,以减少系统运行时间并提高推荐的速率。通过对算法性能的测试以及与传统算法的对比,证明本文提出的基于Hadoop的协同过滤推荐算法,能够对大量的数据进行并行化的处理,提高系统的运行速率和准确性,更好地为用户服务。