信息技术的迅速发展,使得海量信息资源带来的“信息过载”问题越来越严重,人们常常在信息的海洋里迷失方向,越来越难获取自己需要的信息。如何快速有效的挖掘出有价值的信息成为解决各种问题的关键。推荐系统作为一种成熟的个性化过滤技术已经在电子商务等领域得到了广泛的应用。在推荐系统中,推荐技术是关键。常用的推荐技术有基于协同过滤推荐、基于模型的推荐、基于内容的推荐和混合推荐。其中以协同过滤推荐技术的研究与应用最为广泛。本文在总结推荐技术研究的基础上,主要针对协同过滤推荐技术中的稀疏性和冷启动问题进行研究与改进。内容与创新点主要包括：(1)分析了现有的推荐技术的研究现状及发展,对比总结了各种推荐技术的优点和缺陷。接着介绍了基于项目的协同过滤推荐算法和基于用户的协同过滤算法的实现原理。而后重点从基于项目的推荐算法讲述了算法实现的具体步骤。(2)介绍了云模型的相关内容,并详细讲解了基于云模型的协同过滤推荐算法。此外,改进的算法综合项目流行度和用户项目属性偏好两部分信息得出用户对项目的整体偏好度,以项目整体偏好度与用户评分均值之和填充用户未评分项目,同时当算法遇到新项目问题时用用户对项目的整体偏好度替代预测的评分。(3)利用MapReduce并行处理模型以及HDFS在存储方面安全、稳定的特性,设计并实现了用户偏好下的推荐算法的并行化算法,在真实的数据集中完成了云平台下的旅游景点的推荐。(4)本文通过对比实验验证了所提出的协同过滤算法的性能。该对比实验采用的数据集由Grouplens提供的Movielens数据和火车头爬取的旅游网站的数据两种数据集。从实验结果分析和总结出本文提出算法在精确度和运行效率方面比传统协同过滤推荐算法都有着明显提升。