近年来,随着互联网技术的飞速发展,人们在享受丰富多彩的数据时,同时也遭受着“信息过载”的问题。推荐系统可以一定程度上解决这个问题,推荐系统根据用户和项目的相关信息,然后向用户推荐可能感兴趣的项目。协同过滤是目前使用最为广泛的一种推荐技术,基于邻居的方法和基于潜在因子模型的方法是协同过滤技术中两个最主要的领域,其中,矩阵分解是基于潜在因子模型中使用最为成功的实现,本文的研究工作主要围绕矩阵分解进行展开,研究成果如下。第一,建立了一个以缓解用户信任数据稀疏性问题为目的的信任传递模型。利用信任传递的思想,填充了用户信任数据,丰富了信任数据,然后利用填充后的用户信任数据来预测用户评分数据中的缺失数据,以此缓解用户评分矩阵的稀疏性。提出了一个信任传递的矩阵分解推荐算法,通过实验表明,相比传统的矩阵分解算法,该算法具有更好的预测效果。第二,建立了一个以提高系统推荐准确性为目的的个体影响力计算模型。考虑了个体间的差异,借助“明星效应”思想,融入社交群体中的个体影响力因素,使用PageRank算法,利用出度和入度的概念,以此来计算用户的个体影响力,提出了一个结合个体影响力的矩阵分解推荐算法。通过实验证明,提高了系统的推荐准确性。第三,提出了一个以保留原始数据结构特征为目的的矩阵分解推荐算法。采用了结构投影非负矩阵分解推荐算法,结合信任传递模型、个体影响力计算模型和用户评分预测模型,提出了一个结合个体影响力的结构投影非负矩阵分解推荐算法,提高了推荐系统的稳定性。通过实验证明,相比其他算法,本文算法不仅降低了MAE和RMSE,还提高了系统的预测准确性。第四,设计了本文算法的分布式计算。采用了开源的Hadoop大数据处理框架,使用简洁高效的MapReduce编程模型,设计了算法TP-SPNMF的分布式计算。