随着信息技术的发展,网络上数据以指数级在增长,出现信息过量的情况。这种状况使得用户不得不花费大量的时间和精力寻找有用的信息。在此背景下,推荐系统应用而生,帮助用户走出信息的海洋,快速找到有用的信息。当前,较为流行的推荐方法是协同过滤。该方法利用用户之间兴趣的相似性,对用户的偏好信息作出推荐。然而,随着数据的快速增长,协同过滤算法的计算效率越来越低。本文以此为出发点,采用并行计算中的云计算技术研究和实现协同过滤。云计算是并行技术的发展,可以有效解决复杂计算的计算效率问题。目前,较为流行的云计算平台是Hadoop,本文以其作为实现平台。在Hadoop平台上,要实现协同过滤的并行计算,关键在于解决计算过程中数据的相关性。本文以受限玻尔兹曼机模型和邻居模型为案例,在详细分析其计算过程的基础上,提出基于Hadoop平台的算法。该算法根据MapReduce框架的特点,将其计算过程拆分成若干个任务。在每个任务中,通过数据冗余的机制,将数据复制多份分配到每个需要的计算节点,从而解决计算过程中的数据相关性。同时,在多个任务的计算中,各个任务存在前后依赖的关系。在将协同过滤拆分为多个任务时,利用MapReduce提供的依赖组合式任务计算来解决任务之间的依赖关系,实现不同任务的并行计算。最后,本文在以大体量数据集为基础的实验中来验证其计算效率。实验结果表明,与在传统平台的实现相比,基于Hadoop并行架构的最近邻寻找推荐算法和受限玻尔兹曼机推荐算法,在大体量数据集的条件下可大幅提高推荐计算效率。