随着互联网的迅速发展,网络上的信息呈爆炸性增长,人们不得不思考如何从海量信息中过滤出有效信息。推荐系统正是解决信息过载的有效技术之一。在过去十几年中,推荐技术相关的研究成果不断涌现,各种推荐算法被提出,协同过滤算法是其中应用最广泛的算法,具有重要的研究价值与研究意义。本文的研究工作主要如下:(1)对推荐系统进行了整体的学习,总结了推荐系统的研究背景与研究现状,并对当前流行的几类推荐算法进行了研究、比较,对其中的协同过滤算法进行了重点学习。针对协同过滤中的关键算法的实现,相似度度量,评价指标进行了详细的阐述。(2)针对个人个性化推荐,提出了两个基于矩阵分解的改进模型,分别为基于类别加权的矩阵分解模型CW-MF和基于近邻影响和类别加权的矩阵分解模型NICW-MF。第一个模型利用物品的类别信息,考虑不同用户对不同类别的兴趣度不同;第二个模型在考虑物品类别影响的情况下,考虑了近邻用户对用户的影响力,从而得到了改进的模型。在MovieLens数据集上进行了大量的实验,验证了物品类别和近邻用户确实对用户的选择起到了引导作用。(3)针对群组个性化推荐问题,提出了基于近邻影响的主题模型的群组个性化推荐方法。该模型模拟了群组选择物品的生成过程,不仅考虑了群组的主题,群组内成员的个人兴趣,同时考虑了群组成员的近邻用户的影响。本文详细介绍了 NUIT模型,参数推导过程,以及如何利用该模型对群组进行个性化推荐。最后,在群组数据集上进行大量实验,充分验证了该模型的有效性和准确性。(4)针对推荐系统中数据量过大问题,实现了基于Spark的用户间相似度并行化计算。本文在MovieLens数据集上进行了实验,验证了并行化计算的高效性,可见并行化可以充分提高推荐系统在大数据下的处理能力。