随着互联网技术的发展,大数据时代的到来,电影、音乐、电子商务等商业和娱乐网站在人们的日常生活中逐渐占据了重要地位,“信息超载”现象也日益凸显,传统推荐算法已经无法满足用户的个性化需求。协同过滤推荐算法由于其个性化推荐程度较高已被广泛使用,但用户数量和项目数量的急剧增长导致该算法面临的数据稀疏性、冷启动等问题愈发严重。同时,在大数据环境下的推荐算法由于计算量过大也存在着可扩展性和实效性问题。针对上述问题本文重点研究基于信任网络的协同过滤推荐算法,主要研究内容如下:(1)研究基于内存的协同过滤推荐算法的优化。针对基于内存的推荐算法存在的数据稀疏性和恶意推荐问题,在国内外学者对信任网络研究的基础上,改进了信任度计算公式,同时为了缓解热门项目对推荐算法性能的影响,改进了传统的用户相似度计算公式。最后对Slope One算法进行优化,得到STSO算法。实验结果表明该算法有效地缓解了数据稀疏性和恶意推荐的问题,明显提高了推荐精度。(2)研究基于模型的协同过滤推荐算法的优化。针对用户评分矩阵过于稀疏导致推荐精度下降的问题,选择对性能较好的基于概率矩阵分解模型的推荐算法进行改进。主要思想是在根据信任传递规则计算用户相似-非二值信任矩阵的基础上,改进RSTE模型,得到了优化后的TransT-RSTE算法,以解决用户项目评分矩阵的稀疏性问题。实验结果表明该算法提高了推荐准确度,并且其性能也优于STSO算法,但STSO算法更适合于在线推荐。(3)采用Spark平台对改进后的两种算法进行并行化研究。针对大数据环境下推荐算法的可扩展性问题和实效性问题,提出在大数据处理平台Spark上对上述两种推荐算法分别进行优化,优化方法则是对两种算法进行并行化处理,同时设计了并行化实现过程,分别得到基于Spark的并行化优化推荐算法。实验结果表明,采用并行化方式优化后的两种算法性能更好,有效地解决了推荐算法在单机模式下由于数据量过大导致的可扩展性和实效性问题。