在分布式推荐系统中,分布存放和管理系统中的用户信息数据。网络中的用户相互协作为彼此做出推荐,推荐的生成无需集中存放的用户信息数据。因此分布式推荐系统有助于解决集中式推荐系统在扩展性、计算复杂性和用户隐私保护等方面存在的问题。但在分布式推荐系统中,用户信息数据的分布存放造成了活动用户最近邻居难以搜索定位,推荐生成过程中系统通信量大等新问题,严重影响了分布式推荐系统的推荐效率和精确度。本文主要研究分布式个性化推荐系统中的协同过滤推荐算法。首先,针对分布式推荐系统中活动用户难以定位最近邻居,传统相似度计算方法不足够捕捉用户间的相似关系等问题,提出一种基于DHT的分布式协同过滤推荐算法。算法根据用户极端评分生成的“模糊关键值”搜索用户相似邻居信息,从而提高了用户相似邻居的搜索效率。根据用户信息的分布情况,改进了用户邻居相似度的计算方法。其中相似度的计算采用加权方式,权值的设定综合考虑用户间评分的相近程度和用户评分自身的逆用户信息频率两方面因素。其次,针对分布式推荐系统中由于用户兴趣改变而发生的重组用户最近邻居效率低下的问题,提出一种用户最近邻居更新算法。其中仅依据用户更新信息寻找用户邻居集合,并根据用户的兴趣相似性对最初搜索到的候选邻居集合进行过滤。最后,采取模拟实验验证基于DHT的分布式协同过滤推荐算法与用户最近邻居更新算法。从系统通信量,最近邻居集合的质量以及平均绝对误差等方面对系统的推荐效率及推荐精确度进行了验证。