随着网络的快速发展，网络成为日常生活的一部分，正在改变着的生活方式、学习方式等方方面面。网络学习已经成为现代学习的一种重要途径。在这种情况下，如何利用现有的网络支持个性化学习已成为一些新课题的研究领域。在这些研究领域中，关注度比较高的一个热点领域就是计算机支持的协作学习(Computer Support Collaborative Learning，CSCL)。　　本文在实验室开发的社会性协作学习平台基础上，提出了用户群发现算法、基于知识社区的热点推荐算法和基于用户群的协同推荐算法，并在算法实现的过程中，利用Hadoop MapReduce并行计算模型对一些算法进行了并行化。可以更准确地发现知识社区和用户群，从而为目标用户提供个性化的学习服务。　　论文首先在文献综述的基础上，介绍了Hadoop MapReduce和分布式数据库Hbase，并分析了个性化学习与推荐的研究现状和常用算法。然后，利用MapReduce实现了知识社区并行发现算法;在发现的知识社区的基础上，作者提出了基于知识社区的热点推荐算法，为用户找到自己的兴趣知识社区，并在每一个知识社区中找到知识热点，最后向用户推荐兴趣知识社区中的热点。接着，针对用户群的发现，作者提出计算用户相似度的算法，为每一个用户找到自己的用户群，并根据预测评分的计算结果，向用户推荐预测评分高的知识点。最后，作者对已完成的工作进行了总结与分析。