开源的云平台框架Hadoop,随着互联网的高速发展,也在不断完善自身推出具有更高性能、更稳定的版本,在以数据为引导的今日,得到了更加广泛的关注。它是Google一个重要的分布式并行化编程模型MapReduce的开源实现,拥有丰富的服务接口,可以部署在数千个节点集群中,来应对海量的数据计算业务。对于实现并行化的算法程序,使用其MapReduce编程模型,开发者只需要将注意力集中在自身要解决的计算任务上,将自定义好MapReduce类提交给平台相应的接口处理即可,为开发和研究云计算服务、大数据业务处理带来极大的便利性。本文的主要研究工作就是基于Hadoop云平台展开的。论文研究过程中,在VMware虚拟化的服务器上搭建了四个工作节点,在这个小集群的基础上进行智能推荐算法的应用研究工作。文中对于Hadoop平台的部署配置,以及采用MapReduce编程模型为基础实现分布式的并行化计算的编程方法做了仔细的学习研究。文中研究了物流业务平台的原有客户关系等信息,构建了基于Hadoop平台的推荐系统框架,采用离线实验的方式,从业务平台的Oracle数据库中获取实验研究用的原始数据,并通过简单的数据ETL功能模块进行数据转换,使数据比较适应于MapReduce的算法应用。文中的智能推荐的方法采用了基于项目的协同过滤算法,该算法核心是从用户一项目的评分矩阵之中构造出项目间的同现矩阵,进而利用同现矩阵来快速的计算出用户的兴趣物品。该算法的基本实现相对简单,且在处理一定规模的数据集上效率比较高。研究中,以MapReduce编程模型实现了该算法,将其与物流业务平台相结合为物流行业的企业用户提供推荐服务,Hadoop平台对于数据集的分片使得算法的实现出现推荐结果局部化问题,为了解决该问题,以及现有平台的数据增长规模的分析和系统结构的综合分析,提出了利用Redis来构建推荐系统的缓存数据层以此存储算法用到的同现矩阵,同时调整原有算法实现的程序流程,来解决推荐结果局部化问题。文中对两种方法在多个评价指标上进行了分析比队。调整后的程序在利用Redis缓存同现矩阵的实验结果表明,该方法在性能和评价指标上有了明显的改善,运行时间比较合适,能够取得较好的推荐效果,同时在数据集规模增长过程中也具有较好的实时性和可扩展性。