个性化推荐系统是解决用户信息过载的重要方法,它被广泛应用到互联网领域。然而用户冷启动问题的存在,它会严重影响推荐效果。目前研究者提出了基于问答的决策树算法来解决用户冷启动问题。但是现有的算法存在问答效率不高,训练时间过长的问题。如何解决这些问题并进一步提高算法的问答效率和预测精度,仍然是一个值得研究的课题。本文针对问答决策树算法中如何提高问答效率和提升训练速度进行相关研究。第一,针对问答决策树算法在问答效率上不高的问题,本文提出了基于聚类的问答决策树算法CQA_DT(clustering-based Q&A decision-tree)。其基本思想是,通过对物品进行聚类,以物品集的形式来进行问答;同时在决策树中每个节点增加一个隐含特征矩阵变量来适应用户更精细的回答方式,来进一步提高算法的预测精度。与现有算法相比,CQA_DT算法能够减少用户回答问题的数量并在预测精度上有一定提高。第二,针对目前问答决策树算法训练时间过长的问题,本文提出了一种分布式分层迭代的随机梯度下降法DHISGD(distributed hierarchical iterative stochastic gradient descent)。其基本思想是,为了减少问答决策树算法中矩阵分解的时间,通过分层迭代的随机梯度下降法来进行矩阵分解;并且为了加快DHISGD算法的收敛速度,提出了SPCS步长更新方法。该方法在不增加单轮迭代的时间复杂度下,能够加快收敛速度。与现有的分布式矩阵分解算法相比,该算法能够加速矩阵分解,并且能够减少矩阵分解迭代计算过程中网络通信量。第三,为了给那些不愿回答问题或者没有登入的用户进行个性化推荐,本文提出了一个实时推荐引擎框架。它能够根据用户的实时行为,不断更新物品的最近邻列表,并进行相似物品的推荐。