目前互联网已经完全融入到了人们的日常生活中,在人们丰富多样的网络活动中,势必产生大量的数据,于是就出现了信息过载的问题。推荐系统在这种情况下应运而生,运用一系列有效的规则和算法,智能地为用户产生个性化推荐。协同过滤作为推荐系统中应用最成功和最广泛的算法之一,得到广泛研究。然而因为资源和用户的数据级不断扩大和严重的数据稀疏性等的影响,传统协同过滤推荐算法在大数据集下面临推荐准确度低、计算复杂度高、可扩展性差等问题。为了更好地解决制约推荐系统发展的各种存在的问题,本文以这些问题的解决作为研究重点,主要的工作如下:1.在基于用户的协同过滤的基础研究上,提出一种改进Minhash的分布式推荐算法。Minhash算法具有高效和可并行性计算的优点,本文在该算法基础上,考虑用户评分差异性并融合用户的兴趣评分偏好信息,提出来一种改进的多维Minhash算法来度量用户间的相似度。2.因为数据稀疏性问题的影响,项目之间非常小的共同用户评分数据而无法得到准确的项目间相似度。针对这个问题,本文通过构建项目共现矩阵和预先设定的阈值来发现那些无法根据传统相似度方法准确计算相似关系的项目对,并借鉴社交网络中的关系传递的思想,提出了另一种新颖有效的方法来代替传统相似度方法来提高项目相似度计算的质量。3.将两种改进的协同过滤算法运行在MapReduce框架上,在提高算法准确性的同时,提高了算法的可扩展性,缓解了推荐算法因数据量大和计算复杂度高所导致的性能瓶颈。本文提出的两种算法相比传统基于单机的协同过滤推荐算法,在准确性和可扩展性两方面都能达到一个更好的平衡。