矩阵分解因其模型简单但是效果显著而成为推荐系统领域非常流行的模型之一。但是在互联网时代,在线信息量呈爆发式增长。这种发展趋势一方面促进了个性化推荐系统的广泛应用,另一方面要求数据挖掘类算法向并行分布式方向转变。只有具有良好可扩展性的分布式算法才能处理日益庞大的数据集。因此,近几年来,大数据研究人员致力于研究大规模矩阵分解问题的分布式解决方案。而已有方案在效率、可扩展性等方面仍有很大提升空间。因此,本文提出了一种新的解决方案并将其命名为DS-ADMM(Distributed Stochastic Alternating Direction Methods of Multipliers)。该方案首先提出了一种新的数据分割策略。该策略能够将分布式矩阵分解问题分解成适用于ADMM框架的结构。在此基础上,本文设计并提出了DS-ADMM。为了评测该算法的性能,本文使用MPI(Message Passing Interface)实现该算法,并设计了多组实验测量DS-ADMM和多个已有算法在若干真实数据集上的运行性能。实验结果表明,不论是在效率还是在精度上,DS-ADMM都明显优于已有的分布式矩阵分解模型。