大数据时代下,信息种类和数量急剧增加,信息过载日益突出。面对海量数据,用户难以高效地获得有价值的信息。在这种情况下,推荐系统应运而生。在推荐系统中,基于协同过滤的推荐算法被广泛应用。但是,在分布式环境下,传统的协同过滤算法存在不足之处,具体表现如下:（1）该类算法通常假设用于推荐的数据来自单一平台,并没有考虑在分布式环境下,数据往往分布在多个平台的现状,以及来自多个平台的数据在融合、集成中涉及的用户隐私泄露问题;（2）在分布式环境下,不同平台的数据更新速度快,利用传统的协同过滤算法对多平台数据进行相似度计算时,往往造成复杂的时间开销,导致推荐效率低,无法满足用户快速响应的需求。此外,数据隐私性与数据可用性之间通常是相互制衡的关系,如何在保护数据隐私信息的基础上,提高推荐结果准确性是另一项重要挑战。针对上述问题,本文改进传统的协同过滤推荐算法,利用局部敏感哈希（Locality-Sensitive Hashing,LSH）技术,提出了两个在分布式环境下支持隐私保护的推荐算法,并将提出的算法SRchain-LSH应用在电影推荐系统中,以实现个性化推荐。本文的具体研究工作如下:（1）针对多平台数据融合中的用户隐私泄露问题,本文提出利用LSH技术保护用户隐私。在本文中,具体介绍LSH的基本概念、余弦距离下LSH函数的计算以及增强LSH基本概念。（2）在保护用户隐私的基础上,针对如何提高推荐结果准确性和推荐过程高效性的问题,本文对增强的LSH进行了研究,提出了增强的LSH推荐算法SRAmplified-LSH。在该算法中,首先通过LSH函数的计算,将原始的用户数据转换成低隐私或无隐私的用户索引;再设计“AND-OR-AND”增强策略来定义用户间的相似关系,提高查找相似用户的准确度;最后根据相似用户的历史行为,利用协同过滤技术为目标用户进行推荐。本文中设计大量实验,验证算法SRAmplified-LSH可行性和有效性。实验结果表明,算法SRAmplified-LSH比对比方法更加准确与高效。（3）本文从概率分析的角度进一步研究增强的LSH,并提出了改进的增强的LSH推荐算法SRchain-LSH。本文首先对LSH技术中概率与距离的关系进行了分析,再具体分析“AND-OR-OR-AND”增强策略下的概率与距离的关系。在该算法中,首先,利用LSH函数建立用户索引;再设计“AND-OR-OR-AND”增强策略来构造相似用户矩阵,提高相似用户检索的准确性与高效性;最后,根据相似用户的历史记录,为目标用户进行推荐。本文设计对比实验验证算法SRchain-LSH有效性。另外,将算法SRchain-LSH与算法SRAmplified-LSH进行了对比,实验结果表明,算法SRchian-LSH比算法SRAmplified-LSH具有更高的准确性和高效性;并且,算法SRchain-LSH更适合处理推荐中的数据稀疏问题。（4）本文设计并实现了一个基于B/S架构的电影推荐系统,将改进的增强的LSH推荐算法SRchain-LSH应用在该电影推荐系统中,以实现个性化推荐功能。在系统的设计中,本文分别对系统进行可行性分析、需求分析、系统总体架构设计、系统功能设计和系统数据库设计,最后利用Java语言实现系统各功能模块。