信息科技发展至今,互联网上的数据与日俱增,更呈现指数增长。在这个大数据时代,传统的单机推荐系统很难在短时间内将用户感兴趣的信息推荐给用户,所以分布式推荐算法逐渐发展起来。近年来,以微博为代表的社交网络迅猛发展,已经成了人们日常生活中必不可少的一部分,并且由于人们频繁的社交活动,微博用户往往可分为一个个的群组。面对如此庞大的微博数据,怎样通过数据挖掘,机器学习等手段对其进行分析,完成面向微博群组的好友推荐,成了社交推荐领域的热点研究方向。本文在研究现有的基于分布式平台的并行化矩阵分解推荐算法的基础上,提出了基于矩阵LU分解的LUALS-WR算法,在保证推荐精度没有明显降低的情况下能更加高效完成针对大量数据的推荐。在LUALS-WR算法基础上,本文提出了基于social choice的群组融合策略,并应用到微博用户群组推荐中。主要工作如下:(1)对基于矩阵分解的协同过滤推荐方法研究和分析,针对面向个体的微博好友推荐,完成矩阵分解模型的优化。(2)以Hadoop为分布式平台,研究依赖MapReduce框架的并行化矩阵分解算法(WR-ALS)。针对ALS-WR在更新特征矩阵中采用的QR分解求逆矩阵的方法,提出在效率上的优化方法。采用LU分解代替QR分解来完成矩阵求逆,进而加快特征矩阵的更新速度。最终在确保推荐精度的前提下,减少运行时间,提高整个算法的推荐效率。(3)在面向微博群组的推荐方法中,分析了传统融合策略,并提出基于social choice的群组偏好融合策略。与传统的融合策略进行对比,使其在最终的群组推荐效果上优于传统的融合策略。(4)对上述工作,在3.8G的腾讯微博数据集上设计实验并验证。实验结果证明,本文提出的改进分布式矩阵分解推荐模型LUALS-WR,在推荐精度相当的情况下推荐效率提升了1.5倍左右。最后应用到群组推荐上,本文提出的基于social choice的偏好融合方法相比于传统的基于满意度的偏好融合方法其推荐精度提升了5%左右。