随着大数据时代的来临,数据规模越来越大。海量数据具有异质异构、数据容量大、价值密度低等特点,因此用户很难从中获取到满足需求的个性化信息。协同过滤就是为了解决这一问题而提出的,本文对协同过滤技术和云计算技术进行深入研究,提出了一个云计算环境下基于协同过滤算法的数据挖掘与分析框架,并着重对以下两个方面展开研究：首先,由于海量数据的异构性使得不同数据源之间的数据交换与共享很难实现。为此需要建立一个统一的数据表示模型,实现异构数据的一致性访问。本文提出了一个基于协同过滤算法的分布式数据挖掘与分析框架,针对该框架,提出基于XML的异构数据集成方法,实现各数据源之间相互转换与集成。接着,本文提出了与时间相关的RMF_time模型协同过滤算法,该算法将用户时间因子与项目时间因子考虑到基本矩阵分解模型之中,实验结果表明此模型可以较好为用户提高推荐的准确度。云计算具有强大的计算能力、存储能力以及可扩展性的特点,结合对大规模数据处理的现实需求,本文提出了运行在云环境下的DRMF并行协同过滤算法,该算法利用矩阵的分块思想,结合分层的随机梯度下降法进行矩阵分解,使得在数据层内实现矩阵分解过程的并行执行。最后的实验显示,在处理大数据集时,随着节点的增加,此算法的运行效率也不断提高,得到了比较理想的计算性能,这凸显了云计算技术与协同过滤技术结合解决大数据信息过滤的优势。