协同过滤推荐算法是目前最常用的推荐算法,被广泛应用在推荐系统中。基于矩阵分解的协同过滤推荐算法因为其在预测精度及扩展性上的优势,目前被大部分大数据处理系统选为推荐系统的解决方案。梯度下降和交替最小二乘法是两种最为常用的解矩阵分解问题的训练算法。因为交替最小二乘法天然契合BSP模型,目前常用的大数据系统,如Hadoop,Spark都使用交替最小二乘法作为解决方案。至于梯度下降算法,虽然它的计算复杂度较低,但是它需要细粒度异步操作,BSP模型无法有效地支持这种需求。在本文中,我们提出了一种基于数据流的协同过滤推荐算法,简称DCF(Dataflow Based Collaborative Filtering Algorithm)。我们使用梯度下降作为训练算法,并利用数据流模型细粒度调度,异步执行,动态分配资源的特性有效地进行支持。然而,将数据流应用于协同过滤推荐算法仍然有很多挑战,比如高网络负载和细粒度调度代价。我们提出了三种优化(虚边优化,多播优化,Mini-batch优化)来减少算法的计算量和网络负载,减少细粒度依赖检测的代价。我们根据DCF算法实现了基于数据流的推荐系统,其中包括数据解析,模型训练及模型校验完整的训练测试流程。我们使用公开的推荐数据集(Netflix,Movielens,Yahoo Music)进行实验验证。实验结果表明,在公开的数据集下,我们提出的DCF算法相比与基于Spark的交替最小二乘法有着23倍的性能提升,对于Graphlab的梯度下降算法有着18倍的性能提升。