随着Web2.0和企业互联网化的快速发展,O2O模式的广泛应用,电子商务的物品数目和种类日益增多。客户在网上商城购买自己满意的商品时,却需要浏览很多物品从而浪费大量的时间。这种大量浏览无关信息和物品的过程,会导致消费者的不断流失。因此,如何准确而快速地为客户推荐其感兴趣的商品,已变成现有电子商务平台的一个重点研究问题。目前,研究人员的重点主要在于提高算法的推荐精度,却忽略了算法的时间运行效率。并行化是提高推荐算法时间运行效率的主要方法,所以对其进行并行化研究显得迫在眉睫。本文主要对基于矩阵分解的协同过滤算法进行并行化研究,并且使用GPU来加速算法的运行。本文主要研究工作如下:(1)研究了主流的协同过滤算法并分析出各种协同过滤算法的优缺点。研究了基于GPU的CUDA编程特点和优化方法,为之后在CUDA上实现并行矩阵分解协同过滤算法提供技术支持;(2)提出了一个基于GPU的并行矩阵分解协同过滤算法GPUMF。本文着重分析了高推荐精度的基于矩阵分解的协同过滤算法,对其在模型演化,训练方法,理论分析和公式推导等方面做了深度分析,找出可以并行的步骤及影响并行的问题。然后对其从数据分组和更新操作两方面进行并行化改进,从而提高了算法的时间运行效率;(3)基于高性能的GPU硬件及其编程框架CUDA,实现了GPUMF算法。通过在Movielens10M和百度电影等数据集上进行对比实验,实验结果表明在不损失预测精度的情况下,GPUMF算法明显地提高了程序的时间运行效率。本文对数据的分布是否影响GPUMF算法的性能进行了实验分析,实验结果表明均匀分布的数据能更大程度地提高GPUMF算法的性能。