随着移动互联网的快速发展，如何从大量的移动应用中抽取有效的描述信息继而为移动用户提供有效准确的推荐策略变得尤为迫切。目前，移动应用市场对应用的推荐策略相对传统，大多是根据应用的单一属性进行推荐，如下载量、应用名称、应用分类等。针对推荐粒度过粗和推荐不准确的问题，提出了一种基于潜在狄利克雷分布（LDA）主题模型的移动应用相似度构建方法。该方法从应用的标签入手，构造应用的主题模型分布矩阵，利用该主题分布矩阵构建移动应用的相似度矩阵，同时提出了将移动应用相似度矩阵转化为可行的存储结构的方法。实验结果表明该方法是有效的，相比现有的360应用市场推荐的应用其相似度提升130%。该方法解决了移动应用推荐过程中推荐粒度过粗的问题，可使推荐结果更加准确。

由于内存云(RAMCloud)只支持最大1 MB的小块数据对象存储,因此当大于1 MB的对象需要存储在内存云集群中就会受到对象大小的限制,无法在集群中进行存储。为了解决内存云存储限制的问题,提出了基于内存云的大块数据对象并行存取策略。该存储策略首先将大块数据对象分割成若干个1 MB的小块数据对象,然后在客户端生成数据摘要,最后使用并行存储算法将客户端分割成的小块数据对象存储在内存云集群中。读取时首先读取数据摘要,然后根据数据摘要从内存云集群中并行读取小块数据对象,并将小块数据对象合并生成大块数据对象。实验结果表明:大块数据对象的并行存取策略在不破坏内存云集群体系结构的前提下存储时间为16~18 μs,读取时间为6~7 μs。在InfiniBand网络架构下,所提并行算法的加速比呈现类似线性的增长,它使大块数据对象也能够像小块数据对象一样在微秒级别下快速、高效地进行存取。