互联网技术日新月异的发展,网络信息资源与日俱增。网络为用户提供了大量的可选信息,满足了用户的信息需求。但是信息过载问题日益突出,快速且准确地在海量信息资源中找到有价值的信息变得越来越困难。基于此,个性化推荐技术得到了发展,它能够根据用户的历史偏好数据,帮助用户从海量信息中挑选出最符合所需的项目。基于二部图网络结构的资源均匀分配推荐算法因其推荐命中率高、不受项目类型限制等优点受到广泛关注,但其仅依赖项目度和用户度来进行资源均匀分配,不区分用户对项目的偏好,使得推荐效果大打折扣。在充分理解该推荐算法之后,针对其缺点,本文做了以下的改进工作。首先,针对基于二部图网络结构的资源均匀分配推荐算法过度依赖节点度进行资源分配的问题,本文考虑用户在项目与项目类别上的偏好差异,调整资源分配系数,对资源进行非均匀分配。其次,将数据挖掘中广泛使用的聚类算法与推荐算法进行深度融合,用以改进用户间相似度的计算,从而提升推荐准确率,使得推荐更具个性化。基于以上两点,本文提出了基于二部图的非均匀资源分配推荐算法。为了应对海量数据处理的巨大压力,提升推荐的时效性,本论文基于Spark分布式计算框架,对改进后的基于二部图网络结构的非均匀资源分配推荐算法进行了并行化设计。实验结果表明,相较于改进前的算法,改进后的非均匀资源分配推荐算法在推荐准确率和稳定性方面都获得显著提升,体现了本课题的研究意义和应用价值。