在互联网技术迅猛发展的今天,人们在获取信息的同时也在不断的创造新的信息。在这样一个充斥着海量数据的时代,用户很容易在信息的海洋中迷失。个性化推荐系统因为这个实际需求而产生,它通过分析用户在系统中产生的历史行为数据,预测用户的兴趣偏好,然后把合适的物品推送给用户。协同过滤算法是推荐系统中常用的技术,它可以分为两类算法：侧重于挖掘数据的局部特性或侧重于挖掘数据的全局特性,混合推荐算法可以将这两类算法加以结合来保持它们各自的优点。但是,协同过滤算法都面临着可扩展性差和数据稀疏性问题,尤其是侧重挖掘局部数据特性的协同过滤算法对数据稀疏性问题更加敏感。本文针对协同过滤算法及其混合算法面临的可扩展性问题和数据稀疏性问题,做了一些研究工作：1.研究设计了Weight-Slope One和RSVD模型等协同过滤算法在Hadoop分布式平台中并行化的求解方法,以解决用户行为数据中用户或物品规模庞大而导致算法面临可扩展性差的问题,该求解方法可用于本文提出的改进Weight-Slope One算法以及混合推荐算法中离线计算部分。然后,提出了利用相似性和时间因素来改进Weight-Slope One算法,提升了算法挖掘局部数据特性的能力。同时针对改进后算法面临的数据稀疏性问题,利用用户相关性信息和补全矩阵的方式,在一定程度上缓解了改进算法在面对稀疏数据时预测精度的损失。本部分研究内容提升了算法挖掘局部数据特性的能力和缓解了数据稀疏性造成的精度损失。2.在前面第一点的研究基础上,提出了基于改进后Weight-Slope One算法和RSVD模型的混合推荐算法,混合推荐算法的离线计算部分可使用前文研究设计的Hadoop平台下并行化的实现方案,实验结果显示,该混合算法能够更好的挖掘局部和全局的数据特性从而提升算法预测精度,同时在一定程度上更能适应数据的稀疏性。