在大数据时代下,高效地提取关键信息变得越来越重要,而推荐系统就是能够从海量数据中有效提取信息的重要手段之一。但是在推荐系统中仍然存在许多问题,如冷启动、数据稀疏、时延长、推荐效果不理想等。因此,针对以上问题,本文提出了融合社交网络与关键用户的并行协同过滤推荐算法,主要从三个方面改善协同过滤推荐算法的性能。针对冷启动与数据稀疏问题,提出融合社交网络与关键用户解决方案。通过对数据集的预处理得到社交网络信任矩阵、关键用户项目评分矩阵和用户项目评分矩阵,并采用多源数据融合,有效解决推荐系统中的项目冷启动和用户冷启动问题、缓解数据稀疏问题。考虑到海量数据处理的时延问题,提出了基于Spark分布式集群的并行运算策略,并实现了推荐算法的并行化处理,可有效缩短运行时间,提升用户体验。为改善推荐系统的推荐效果,提出改进相似度计算方法,将社交网络数据、关键用户评分数据和用户项目评分数据各自计算得出的修正余弦相似度进行了加权融合,得到更为准确稳定的相似度计算公式。由实验结果可知,相似度计算的准确率提高时,得到的推荐结果也更为符合用户的兴趣爱好。实验采用Epinions公开数据集,多组对比实验结果表明,提出的融合社交网络与关键用户的并行协同过滤推荐算法能够有效提高推荐准确性,缩短运行时间,优化推荐效果。该论文有图18幅,表9个,参考文献71篇。