随着网络信息的爆炸式发展而导致信息过载和搜索引擎系统本身的被动性搜索过程,推荐引擎系统受到了越来越多的关注和研究。推荐系统当前主要的研究方向是冷启动问题,矩阵稀疏问题以及推荐多样性问题等等,总体上是针对推荐结果的优劣进行研究和改进。但是由于推荐系统本身的巨大规模和矩阵稀疏性问题共同影响导致预测推荐结果需要耗费大量时间所带来的推荐系统滞后性问题和推荐结果精度低所带来的非智能性问题上的研究则相对较少。商业上的解决方案是将推荐系统分为线下的计算模块和线上实时推荐模块。线下模块通过提前计算预测推荐结果并存放在数据库供用户使用系统时再进行实时推荐,这样的解决方案能够使用户得到相对实时的推荐服务,但是这样的处理方式仍然不能解决由系统庞大规模带来的海量计算的巨大时间消耗,推荐结果仍然存在滞后性,用户得到的推荐都是系统过去的推荐结果,并不能尽可能地根据用户的行为实时反馈。GPU原本是一种应用于图形图像处理的多核处理器,它专门为可并行化计算密集型的任务而设计的处理器,拥有非常高的计算能力和非常大的数据吞吐量,同样的任务GPU往往以绝对的效率优势超越CPU的运行表现。推荐系统主要的耗时部分是线下计算模块,而线下模块主要的耗时任务是相似度模块的计算任务。相似度模块是可以实现并行化处理的过程,因此该部分进行并行设计并移植到GPU上实现。为了达到更好的时间和空间优化,本文使用CSR数据格式方式组织,GPU上的线程使用基于行并行的稀疏矩阵乘法处理算法。另外一个方面,由于矩阵稀疏性问题,本文提出了基于信息关联传递的用户相似度算法,用户之间的相似度为他们之间的直接相似度再加上他们共同好友之间的传递相似度的规则来衡量。实验表明该实现方案能够带来10倍加速并且新算法能够提高20%的精度。实验结果也显示数据越大,加速比就越显著。