随着web2.0时代的迅速崛起和智能硬件的普及,网络用户在互联网生活中发挥着越来越重要的作用。用户不再是被动的接受信息,而是更加主动的创造信息。与此同时,网络用户正面临着严重的“信息过载”问题。为了利用相关数据挖掘技术有效解决这个问题,本文以协同过滤推荐系统为代表的信息过滤技术进行算法研究和实现。本文的主要工作和创新如下:(1)随着社会网络的出现和普及,用户信任度是社会网络中的重要信息。针对当前基于信任感知的推荐系统中没有考虑用户在不同兴趣领域有不同的行为偏好。因此本文提出一种考虑用户间特定域的信任关系,并且结合推荐项目特征属性的社会化推荐算法。该算法在Epinions数据集上取得了较好的效果,尤其是在推荐精度与评分误差上达到了更佳的推荐性能。(2)由于项目在推荐系统中具有周期性和时效性,即项目从添加、更新到淘汰反映用户偏好的变化,这也是从项目角度观察到的时间属性。针对基于时间感知的推荐系统难以解决新加入系统的优质项目或关注度很小的项目无法被推荐的问题。本文提出一种结合项目近期流行度和用户信任的协同过滤算法,该算法在Movielens数据集上的实验结果表明,在推荐的多样性和推荐准确度上取得了显著的优势,在一定程度上缓解了系统的冷启动问题。(3)针对单机模式下推荐系统难以解决系统的扩展性问题。本文提出利用Hadoop开源分布式框架将协同过滤算法进行分布式处理,在MapReduce编程模型下,利用集群优势来解决系统的可扩展性问题和并行处理大规模数据的能力。通过实验分析可知,Hadoop分布式平台在处理大规模数据有着明显的优势,不仅提高系统的推荐效率,而且解决了系统的可扩展性问题。