互联网技术的迅速发展带来了信息的爆炸式增长,一方面,用户希望快速精准地检索到感兴趣的信息;另一方面,商家希望快速精准地推荐自己的产品。因此,个性化推荐系统应运而生。在推荐技术的研究领域中,协同过滤算法是当前最为成熟、应用最为广泛的一种技术,而其中的Slope One算法更因易于实现、预测精度高被广泛使用。但是传统Slope One算法在进行评分预测时忽略了用户项目之间关联度和项目之间的相似度,个性化推荐效果不佳。针对以上问题,本文针对协同过滤算法展开了深入细致的分析和探讨,具体包括以下工作:(1)研究了Slope One算法的流程和存在问题。针对Slope One算法在推荐过程中仅考虑了用户的评分偏差矩阵作为预测参考的缺陷,提出了一种基于项目相似度和用户-项目关联度的改进Slope One算法,结合项目相似度和用户项目关联度作为预测权值,提高了算法的预测精度。(2)研究了传统的邻居选择方法。针对传统的K值选择法以及固定阈值选择方法存在的问题,采用动态划分相似度阈值,并在每个阈值下选择多个算法进行平均绝对误差的验证。通过观察数据情况得出最佳相似度阈值,从而选择最近邻居,在提高预测精度的同时降低了数据运算量。(3)基于Spark平台进行改进算法的效果验证。设计了三个实验:首先,在算法最近邻居阈值及训练集比例的确立中,构建了基于项目的协同过滤算法、Slope One算法以及改进Slope One算法,通过计算三种算法在三个数据集、不同阈值和训练集比例下的MAE计算结果,得到最佳阈值和最佳训练集比例。其次,在对改进Slope One算法进行验证时,在三个算法的基础上构建了基于用户的协同过滤算法和基于权重的Slope One算法,分别计算五种算法在三个数据集下的三个评价指标:精确率、召回率和平均绝对误差的值,全面分析各推荐算法在各指标下的性能。最后,在分布式平台效率对比中,同时比较了改进Slope One算法在Spark平台和Hadoop平台下的运行时间,通过对比得出基于Spark平台的运行效率更高。综上所述,本文所建立的基于Spark平台的改进Slope One推荐算法具有较高的预测精度和速度。