随着社会从IT时代迈向DT时代,人们每天面对的信息呈爆炸般增长,信息过载已经成为困扰行业发展的一大阻碍。特别是在电子商务领域,面对琳琅满目的商品,用户却不得不花费更多的时间来寻找自己中意的商品。推荐系统的发展有效弥补了这种缺陷,其中协同过滤推荐算法的研究更是取得了巨大成功。但是随着商品越来越多,用户-项目评分矩阵越变越稀疏,传统的协同过滤推荐算法推荐精度受到比较大的影响。另外,受单机性能的制约,面对海量数据传统协同过滤推荐算法的计算效率以及可扩展性也面临着严峻挑战。本文详细研究了协同过滤推荐算法的数据稀疏性问题以及随着数据量增长可扩展性较差的问题,并针对这两个问题从改进相似度计算方法改善数据稀疏性和采用分布式编程算法提高算法可扩展性两个角度改善推荐质量。第一,用户评价数过少导致用户-项目评分矩阵极度稀疏,降低了协同过滤推荐算法的推荐精度。本章从项目的评分向量整体分布情况出发,提出了辅助因子相似度的概念,并将辅助因子相似度与基于项目的传统的相似度方法进行融合,提出了融合辅助因子的协同过滤推荐算法。在项目共同评分数据很少的情况下,改善了推荐精度不足的问题。实验证明,本章算法可以有效的缓解数据稀疏性,提高推荐精度。第二,针对传统单机的协同过滤推荐算法随着数据集增长可扩展性较差的问题,本章实现了基于Hadoop分布式平台的协同过滤推荐算法。计算用户偏好向量和共现矩阵的乘积来得到推荐向量,通过动态增添集群节点改善算法的可扩展性。计算矩阵乘时放弃传统的矩阵乘法,采用一种改进的矩阵乘法部分点积法,减少了用户偏好向量稀疏性带来的大量无效计算,提高了计算效率。最后,实验证明,本算法有效的提高了计算效率,随着数据集增大可扩展性良好。