随着大数据时代的到来,信息过载已经成为一种常态,这就导致了从繁杂的信息中提取出对用户或企业有价值的信息越来越难。为了解决这种困境,推荐系统应运而生。推荐系统通过对用户已有的历史行为信息进行分析建模,挖掘出用户的喜好,以此为依据为用户进行个性化的推荐。然而,传统的数据处理平台不能满足推荐系统对海量数据的处理需求。Hadoop的出现很好地解决了这一问题。Hadoop是一个分布式的存储与计算平台,通过在分布式平台Hadoop上对推荐算法进行处理,解决了算法的可扩展性问题。同时,传统的推荐算法不可避免的存在一些缺陷,本论文对协同过滤算法进行了改进,并设计了一个组合推荐算法,实现了对用户更高效、精准的个性化推荐功能,实验证明,这些改进及组合是有效果的。论文主要研究工作如下:1、从HDFS与MapReduce两方面对Hadoop的整体架构与工作原理进行分析,介绍开源工具Mahout,为后续工作奠定基础。2、对几种常用的推荐算法进行研究,包括协同过滤推荐算法、K-Means聚类算法、贝叶斯分类算法等。针对协同过滤算法中用户主观评分性问题、矩阵稀疏问题、冷启动问题等缺陷进行改进,并对改进后的算法进行可行性与有效性的验证。3、为了解决单一推荐算法的缺陷,对组合推荐算法进行研究。结合具体的数据集,将K-Means聚类算法与协同过滤算法组合,设计既满足用户需求又准确高效的组合推荐算法。4、搭建Hadoop分布式平台,并结合Mahout工具进行组合推荐算法的设计与实现,通过对电影评分数据进行处理,完成对用户的个性化电影推荐功能。设计对比实验,对传统单机环境与分布式平台环境的运行效率进行对比,对传统的协同过滤算法与改进后的组合推荐算法的推荐结果的准确性进行对比,并分析实验结果,得出结论。