由于在英特网中有巨大的商业价值,推荐系统已经吸引了各方注意,且已经广泛使用到了网络环境中。为了能更好的提高商品的销量,也为了能够提高用户的体验程度,越来越多的互联网公司如Amazon,EBay,淘宝等依赖推荐系统通过对用户的购买进行进行记录来预测用户对其他物品的喜爱程度,预测后将评分高的商品推荐给用户。尽管矩阵可以有效表示用户与物品的互动关系(比如用户观看电影后评分)然而在推荐系统中,低评估密度(少量用户参与评分)和可伸缩性(新用户与新物品(商品、电影)的加入)是矩阵填充面临的主要问题。为了研究上述问题,提出了一种快速且准确度高的推荐算法——基于拆分的矩阵推荐方法,该方法利用局部敏感哈希函数来对用户进行实时管理,再使用矩阵填充技术来对用户进行相关推荐。本文主要研究点如下:1.利用局部敏感哈希函数的良好的性能特点,提出了oLSH的用户管理方法。oLSH使用局部敏感哈希表来将系统中有相似兴趣爱好的用户记录在相近的位置。oLSH的关键是使用多个局部敏感哈希函数,通过计算使得兴趣相似的用户能够高概率的将相似的用户放入到同一个局部敏感哈希桶中。与传统的基于内存的方法需要对数据进行二次查询才能找到相似用户不同,oLSH可以实现在线对相似用户进行查询。2.基于oLSH用户管理方法,提出基于拆分的矩阵推荐方法来对用户进行推荐。oLSH用户管理方法将原始矩阵分解为多个子矩阵,子矩阵中的用户兴趣爱好更加相似有着更高的相关性,使得使用矩阵填充方法在对子矩阵进行填充时的效果更加准确。为了进一步的降低子矩阵的维度,提高子矩阵的采样率,该方法使用实验得出阈值使得子矩阵中与目标用户不是很相关的列进行删除。与利用原始矩阵进行矩阵填充的推荐方法相比,利用该方法进行分解后的矩阵具有更高的准确性。将该方法在开源数据集MovieLens中进行实验。通过实验证明,基于拆分的矩阵推荐方法能够提供更好的推荐正确率。在基于拆分的矩阵推荐方法中由于将相似的用户放入到同一个桶中,并且桶与桶之间相互独立没有联系,每个子矩阵可以单独的进行数据恢复,因此,此方法也是一种并行且分布式的推荐方法。