1、由于社交網絡、物聯(lián)網、云計算、人工智能等技術與服務的流行，數據的規(guī)模、維度以及種類快速增長，我們已經步入了大數據的大門。在大數據的世界里，數據成為了一種不可或缺的資源，并且傳統(tǒng)的串行數據挖掘算法已經難以處理大數據帶來的問題，我們需要將傳統(tǒng)的串行化的數據挖掘算法進行并行化改造以應對大數據的需求。同時，大數據的出現加重了“信息過載”的問題，我們?yōu)榱藨獙Α靶畔⑦^載”的問題而推出了個性化推薦系統(tǒng)，它根據用戶的興趣自動地向其推薦感興趣的物品。

2、r>　　本文根據大數據、MapReduce和推薦算法的特點，進行了以下幾點研究：
　　(1)對數據挖掘算法的可并行性及條件進行了深入的研究與分析。MapReduce并不適用于所有的數據挖掘任務，同樣，并非所有的數據挖掘任務都需要用到MapReduce并行化。適用于 MapReduce并行化的數據挖掘算法需要具備兩個條件：數據量要足夠大和數據較少更新。此外，并行化的數據挖掘算法要求算法可以被拆分為獨立單元，且這些獨立單元都能夠并行計

3、算。
　　(2)針對基本的k-means聚類算法在處理海量高維數據時的不足，提出了基于局部敏感哈希的MapReduce并行化的k-means聚類算法。該算法首先利用局部敏感哈希算法對數據進行分區(qū)，選出能夠代表相似集的點來表示臨近的點，從而達到降低數據規(guī)模和算法迭代次數的目的，然后使用MapReduce并行化的k-means聚類算法對由局部敏感哈希算法生成的代表點集進行聚類操作。
　　(3)針對推薦系統(tǒng)的可擴展性和實時性問題以