种各样的新闻、社会化网络中的好友、知识等等充斥在每一个网络形态中,怎样从这样的海量数据中挖掘出真实有价值的数据成为最近几年社会化网络研究的重要内容,推荐算法也在大数据的背景下应运而生。但是,面对如此海量的用户群体以及各式各样的用户特征,各种传统的单一推荐算法往往会在用户特征的提取和用户维度等问题上变得异常棘手,因此,对各种推荐算法的融合成为了当前研究的热点。本文采用了协同过滤思想对用户的社会化网络关系进行特征提取,通过提取的用户特征构造向量空间模型,在分布式的计算环境下实现了基于FM(Factorization Machines,分解机器)和SGD(Stochastic Gradient Descent,随机梯度下降)的分布式推荐算法模型,在训练集的选择上采用基于时间序列的分段清洗方法,有效提高了预测的准确率。在实验部分,本文在腾讯Weibo和自己爬虫爬到的Weibo数据上分别进行了测试和数据分析,测试结果验证了实现算法的有效性,也证明了分布式计算与推荐算法结合的优势。