随着网络信息化服务的发展,电子商务已经成为商业活动中重要的组成部分。通过搜索技术,用户往往能从种类繁多的商品中找到满足要求的商品。但是,数据库中存在着大量用户不知道的商品项目,这些项目却可能是用户潜在感兴趣的商品。如何更加精确地将商品推荐给用户,这一问题受到了电商的重视和关注。因此,推荐技术成为了目前广泛研究的热点问题。数据挖掘的目的在于知识发现,将数据挖掘技术应用到推荐技术之中将更好地发现潜在的用户兴趣。本文主要研究云计算环境下协同过滤推荐算法,将协同过滤推荐技术迁移部署到云计算环境中,利用集群的优势减少推荐时间。设计新的推荐算法提高推荐精度、解决冷启动问题,并且随着数据量的不断增加获得高可扩展性。云计算环境下推荐算法的研究有着重要的应用价值。数据存储在云之中,能够方便管理与备份,降低数据丢失风险；利用集群优势提高推荐系统的响应速度,吸引用户浏览商品；提高推荐精度,产生正确推荐,最终提高商品销售量。本文的主要研究成果如下：1.提出了基于项目的并行协同过滤推荐算法PIB-CF。该算法通过Map/Reduce编程模型,设计高效的并行算法,将推荐中计算密集过程分散到各个Hadoop数据处理节点。利用并行计算的优势,提高推荐速度。实验结果表明PIB-CF算法比已有的并行算法运行时间更少,可扩展性好。2.提出了基于协同过滤与项目内容的混合推荐算法HR-CFIC.基于项目协同过滤算法通过发掘项目之间的购买模式,推荐相关联的项目。基于项目内容的推荐通过项目的内容属性,计算得到内容相似的项目。这种外在固有属性联系反映了项目间的属性相似性。HR-CFIC算法结合两种推荐的优点。实验结果表明HR-CFIC算法具有较高的推荐精度,可以有效地解决冷启动问题。