推荐系统面临数据稀疏性和冷启动问题，在大数据时代的背景下，提高用户获取信息的效率特别重要。本文以大数据环境下推荐系统的多源数据融合分析问题为背景，设计基于容器技术 Docker、大数据平台 Spark和 Hadoop的多源数据融合模型，并实现协同过滤推荐算法的并行化设计。将自动编码器和协同过滤推荐算法结合起来，提高隐式反馈中 To p-N推荐的准确率。具体工作内容可以概括为：　　1）提出多源数据融合的模型。利用用户在互联网（包括微信，微博，网站等）中访问的数据、数据库数据和日志数据等，提出统一显式与隐式反馈模型（UEIFM），通过对可观察用户选择行为的隐式用户反馈数据和评分等显式反馈数据，将项目推荐问题转化为优化问题，以提高推荐的准确率。　　2）优化基于模型的协同过滤算法。在潜在因子模型的基础上优化基于分布式和迭代计算的并行模型，有效地实现矩阵分解算法的并行化。并提供基于Spark平台的实现，以处理大规模多源数据。　　3）提出结合自动编码器的协同过滤框架—协同自编码器（CF-AE）。针对协同过滤算法中的数据稀疏输入的问题，设计自编码网络来学习的用户和项目之间的复杂关系，进而得到协同自动编码器框架。　　最后，利用公共数据集 Movielens验证模型的有效性，并对比其他算法来评估模型的准确性，有效解决推荐系统中数据的稀疏性问题。通过大量的对比实验验证 UEIFM模型及并行化实现的有效性。使用自动编码器和矩阵分解方法，进一步提高推荐的准确性。在大数据平台下利用分布式并行化方法，解决当前推荐系统面临的可扩展性问题。借助云计算平台，提高系统和算法的鲁棒性。