随着生活中海量数据的产生,大数据这个概念在最近几年变得热门起来。大数据时代,数据无处不在,包括互联网、电信、餐饮等在内的社会各行各业,都淋漓尽致的体现出了大数据的特征。但是这些海量的数据其中的绝大部分对于普通家庭是不相关的。事实上,从表面看,这时一个信息过载的时代,但实际上过载的是哪些冗余的没用的信息,质量信息永远都很缺少。推荐系统的提出,正是为了解决这样的一个问题。矩阵分解是目前推荐系统中使用比较普遍的技术。相比于一些其他推荐算法,矩阵分解可以带来更精确的推荐结果,矩阵分解推荐算法充分的考虑到各种影响因素,易于扩展。传统的奇异值分解只能对稠密矩阵进行分解,然而现实中的用户和物品矩阵都是稀疏的,并且奇异值分解具有很高的时间复杂度,当矩阵规模增大时,分解效率是无法忍受的。将随机算法用于解决奇异值分解的分解速度耗费时间长的问题是有效的,本文使用Count Sketch这种用于解决在数据流中查找频繁项目这类问题的算法来加速矩阵奇异值分解,通过实验分析,这种方法可以起到很好的加速效果。然后单一的随机算法有其优点,但也存在它的不足之处。接着这个问题,本文提出了基于两重随机方案的随机奇异值分解算法,这种算法可以弥补单一随机算法的不足,并将两种随机方案的优劣式互补,进一步提高奇异值分解速度。本文中的随机矩阵分解技术,在传统的矩阵分解中加入随机算法,并运行在分布式环境下,通过实验的手段比较了随机奇异值分解算法的不同方面,能够在牺牲较小的准确性前提下,大大地提高了计算效率。实验的结果正式证明了这个算法的有效性。