信息时代的不断发展，人们充分享受着信息带来的便捷。随着电子商务网站迅速发展，网上购物成为人们生活的一部分。然而随着商品数量和种类的日益增多，电子商务信息量的不断增加使得消费者需要花费大量的时间才能找到满意的商品，对商家而言更希望对不同的用户提供不同的服务以提升用户的满意度，此时电子商务个性化推荐应运而生。基于协同过滤的推荐是目前应用非常广泛的一种推荐技术，它通过分析用户的历史消费记录，分析用户的行为，了解和掌握用户的偏好，针对性的向用户推荐商品。协同过滤推荐算法因为其可靠的推荐得到了许多专家学者的关注与研究，推荐的精度逐渐提高，然而传统的推荐算法在应对海量消费信息时的不足日渐凸显，其推荐速度影响了用户的购物体验。云计算的提出改变了人们对计算机的认识，它拥有强大的计算能力和存储能力，通常只需要购买云计算服务，就可以使用任何终端访问云端服务，克服了传统单机或服务器的限制，方便了用户对云计算资源的取得和管理。因此本文通过利用云计算的优势来改善传统的协同过滤推荐算法在速度和可扩展方面的问题。本文实验采用了Apache旗下的开源项目Hadoop作为算法的并行化平台。为此本文先对Hadoop的核心技术HDFS和MapReduce进行了深入的研究，再结合基于项目的协同过滤推荐算法和基于矩阵分解ALS的协同过滤推荐算法，对算法进行了并行化改进。最后的实验结果也证明了算法并行化后具有很强的可扩展性和高效性。