随着信息技术的快速发展,互联网上提供的信息资源已经越来越丰富,但是“信息过载”问题也随之而来。目前信息过滤技术是解决“信息过载”问题的主要技术,其中的推荐算法是一种典型的信息过滤技术,它在互联网信息服务中有着广阔的应用前景。然而随着大数据时代的来临,各种推荐算法的适应性问题收到了广泛的关注,许多推荐算法已经表现出了较多的局限性和对大数据应用环境的不适应性,因此,研究适应大数据环境下的推荐算法问题已经越来越重要了。目前在众多的各种推荐算法中,隐语义模型推荐算法因其对大数据环境的适应性好的特点,已经成为当前互联网信息服务中非常重要的一种推荐算法。因此,本文重点对基于函数空间梯度提升的隐语义模型推荐算法及其分布式实现进行了系统而深入的分析和研究。本文的主要研究工作和取得研究成果如下:1、对当前主流的推荐算法进行了较系统的分析和研究,主要包括基于内容的推荐算法、协同过滤推荐算法、混合推荐算法、SVD矩阵分解推荐算法和隐语义模型推荐算法。在认真分析和研究了各个推荐算法原理的基础上,最终选择了以隐语义模型推荐算法作为本文的主要研究对象。2、针对隐语义模型推荐算法在大数据环境下由于参数过多导致的难以训练得到最优解问题,提出了一种改进的基于函数空间梯度提升的隐语义模型推荐算法FGBLFM(Functional Gradient Boosting Latent Factor Model),采用FGBLFM算法进行模型训练,可以得到比传统隐语义模型更优的用户和项目的隐属性,提高了隐语义模型推测评分的准确性。3、对当前主流的分布式处理平台Spark进行了较深入的分析和研究,并将改进后隐语义模型推荐算法FGBLFM在Spark分布式处理平台上进行了实现,验证了算法的可行性。4、利用MovieLens作为数据集,以RMSE、MAE作为评价指标,以基于用户的协同过滤、基于项目的协同过滤、隐语义模型作为对比对象,对改进后的FGBLFM算法的性能进行了分析,进一步说明了FGBLFM算法的有效性。本文的研究结果对大数据环境下推荐算法的进一步研究有较好的参考价值。