随着传统搜索引擎技术发展的成熟，个性化智能检索逐渐成为搜索引擎的主要发展方向。通过对用户的主题偏好建模，实现基于主题的个性化检索，将有助于发现用户的潜在需求，提高检索服务的质量。主题相关信息的计算，包括文档的主题标引、用户主题偏好的挖掘等，在面对海量数据时，计算性能是一个瓶颈，而全文检索对于响应时间又有着较高的要求。因此，个性化检索中计算性能的改进是一个重要研究方向。　　如今MapReduce计算框架被广泛用于大数据的处理。但它的一些缺陷，包括启动任务耗时长、中间数据过多地进行磁盘IO等，使得它不适用于对时间性能要求较高的应用。为此，采用YARN作为底层分布式资源管理平台，根据个性化检索相关计算的特性，选择更加合适的计算框架，用以改善计算性能。针对个性化检索中文档主题标引算法计算步骤多、阶段性强的特点，选择DAG计算模型进行算法实现，避免不必要的作业拆分，从而减少中间结果的磁盘IO。针对主题偏好挖掘过程中日志分析的实时性要求，选择流式计算模型设计相关算法，对日志进行持续性实时分析，解决偏好挖掘过于滞后的问题。通过实验对比发现，以YARN为底层管理平台，在此基础上选择有针对性的计算框架，可以有效改善计算性能。　　虽然通过在YARN上采用更加适合的计算框架已大幅度提高了计算性能，但仍然存在优化的空间。一方面，框架间存在数据交互，这部分数据有着大规模随机读的特性，通过合理设置缓存机制可以加速数据的获取；另一方面，离线计算中的排序策略耗时较多，而个性化搜索中部分计算对计算结果是否有序不做要求。故改用基于Hash的数据归约策略有助于提高计算性能，但新的策略会带来随机读的问题。针对这两方面的要求，利用固态硬盘高速随机读的特性，设计基于固态硬盘的个性化搜索性能优化策略，进一步提升了计算性能。