随着互联网信息技术的高速发展,全球进入大数据时代。伴随着这些急速膨胀的数据规模,决策者以及客户在海量数据中如何获取有效信息是当前需要解决的首要问题。商业智能领域的发展使得企业将数据转化为知识成为了可能,其中推荐算法的出现则构建了一条产品、信息与用户之间的有效通道。此外,Hadoop平台研究的迅速发展使得利用分布式技术处理大数据分析更为有效和方便。本文通过对当前个性化推荐算法的研究,利用灰色系统的理论知识,结合分布式平台处理大数据的方法,提出一种基于灰色关联分析的分布式协同过滤推荐算法。首先,本文对协同过滤推荐算法进行研究,主要介绍了基于用户的、基于项目的和基于模型的这三种协同过滤推荐算法,对这三种协同过滤推荐算法的实现进行研究;其次,对灰色系统中的灰色关联分析进行研究,详细介绍了不同的灰色关联度模型的特征和计算方法;然后,通过对Hadoop生态系统的重点探讨,研究分布式系统的存储和读写原理,分布式数据库的设计原理,并利用MapReduce研究分布式系统的并行化计算和调度机制。根据上述理论知识的研究,本课题将灰色关联分析和分布式理论结合,给出一种基于灰色关联分析的分布式协同过滤推荐算法,该算法解决了当前协同过滤推荐算法面临的评分矩阵信息因素不完全和不确定性,以及数据稀疏性和当数据规模较大时出现的计算瓶颈及可扩展性等问题。在文章最后,设计并实施Hadoop分布式系统和分布式数据库服务器集群,利用该集群实现了本文所提出的算法。实验表明,基于灰色关联分析的分布式协同过滤推荐算法可以有效地实现大规模数据的推荐,与传统的CFR算法相比平均绝对误差有一定的下降,而且通过增加Hadoop集群的数据节点可以解决数据可扩展性的问题,同时,该推荐算法的可行性也是Hadoop在商业智能上有效应用的体现。