近年来,我国互联网行业受益于内生需求的增长,数字化浪潮下,网络渗透进人类社会生活的方方面面,与之而来的是互联网数据爆炸式增长,信息过载问题愈发明显。如何高效合理的帮助用户筛选信息既是对用户高质量需求的满足,也是企业能长久立足行业核心地位的持久之计。为此,推荐系统应运而生,它通过探索用户和信息之间的联系为用户提供个性化推荐服务,帮助用户快速定位兴趣相关的内容。本文正是基于推荐算法的研究,提出了一种兼顾记忆性和泛化能力的组合模型,并设计和实现了一个个性化电影推荐系统。首先,本文介绍了推荐系统的推荐流程及相关技术理论基础,分析了当前主流的浅层交互模型和深层交互模型,探讨了它们的优势与不足。为保留浅层模型对历史交互中共现频率较高的特征学习和利用的能力,同时保留深层模型对高阶特征传递其相关性以及挖掘稀疏特征与最终标签相关性的能力,本文确定了组合模型的基础架构。随后,本分对当前CTR（Click-through Rate,点击率）算法模型的特征工程做了简单介绍,针对当前主流的特征交互方法如内积、外积、哈达玛积、双线性以及DCN（Deep＆Cross Network,深度交叉网络）思想等并未考虑到特征交互需要考虑几何意义的问题,本文选用双曲空间作为特征嵌入的表征空间,并通过洛伦兹度规下两点之间的洛伦兹距离可违反三角不等式的特殊性质构造特征与特征之间的精细作用结构。本文在上述基础上提出Lo Fm＆Deep（Factorization-Machine based on Lorentz＆Neural Network,洛伦兹分解神经网络）模型,并在三个公开数据集中将其与多个主流模型做对比试验,均取得最优结果。实验证明该模型具有更强的特征表征能力以及更好的分类效果。最后,本文在提出的推荐算法基础上设计并实现了一个个性化电影推荐系统。该系统基于B/S（Browser/Server,浏览器/服务器模式）架构开发,由前后端、数据库和推荐系统三部分组成。其中,本文针对传统的多路召回方式对用户的个性化推荐不友好的情况,将召回模块与粗排序模块融合成为简单的统一召回,增强用户的个性化召回需求。此外,系统包括热门推荐、网络流行度推荐、影片收藏和电影检索等诸多功能,能很好的满足用户对个性化电影推荐的需求。