互联网技术的快速发展,催生了大数据时代的到来。网络资源的快速增长,导致网络用户难以从海量信息中提取到真正有效的信息资源。智能推荐技术的出现使人们获取资源变得更加容易。在当前众多推荐技术中,应用广泛的是协同过滤推荐算法,但该算法自身也存在一些不足。本文针对协同过滤推荐算法的数据稀疏性问题、新用户冷启动问题和课程推荐算法框架整合与平台实现三个方面,展开以下三个方面的具体研究工作:1)针对数据稀疏性问题,本文首先采用用户对课程众数均值的评分来填充稀疏矩阵,然后分析比较基于项目众数均值和基于用户的两种推荐算法的平均绝对误差值、准确率和召回率,最后确定使用基于项目的推荐算法来进行课程信息推荐,从而有效降低了数据稀疏性。2)针对新用户冷启动问题,本文提出了一种基于TopN的冷启动推荐算法,该算法采用Hadoop TopN算法来计算出用户平均评分最高的N门课程,然后结合在MapReduce中编写的新用户推荐算法,来处理新用户的推荐问题。3)针对课程推荐算法框架整合与平台的实现,本文首先对课程推荐平台整体框架进行了设计,然后引入Hadoop集群对推荐算法的数据存储和计算进行了扩展,最后对课程推荐算法在平台中的应用进行了实现。实验结果分析证明,本文提出的方法能有效解决协同过滤推荐算法所面临的部分问题。基于项目众数均值的稀疏性算法在平均绝对误差值、准确率和召回率的评价标准上,均优于基于用户的推荐方法。在处理大数据集方面,经过基于Hadoop集群扩展的协同过滤推荐算法,在总体运行时间和加速比方面均优于单机系统。同时,本文也对存在的问题和下一步的改进计划进行了说明。