随着人民生活水平的日益提高,观影已经成为我国人民非常热衷的休闲、娱乐、生活方式。本文拟研究一个有效的电影推荐方法,在帮助用户迅速找到喜欢的电影同时,还能把电影推荐给更适合的用户,为电影的推广起到积极的作用。本文主要研究工作和成果如下:1、本文提出了新的相似度计算方法——组合相似度。该相似度根据不同的数据集按照特定的比例融合了修正余弦相似度、杰卡德相似系数和评分习惯相似度的优点,从而能够更加准确地衡量用户间的相似度。实验结果表明,在电影推荐场景下,组合相似度的效果确实优于单一相似度。2、本文改进了传统的K-means聚类算法。传统的K-means算法使用欧氏距离衡量样本点之间的距离,但是欧式距离并不适合于电影推荐场景。因此,本研究在衡量数据点距离时采用组合相似度替换欧氏距离,并用对比实验证明,基于最优权值比例下的组合相似度的推荐效果要比欧式距离以及各单一相似度的效果要好。3、研究提出了基于组合相似度聚类的关联规则电影推荐算法。传统的关联规则电影推荐算法直接对所有数据进行关联规则挖掘,然后根据挖掘出的关联规则进行电影推荐。这种方式存在无关数据太多导致挖掘效率低、最终规则太少导致推荐不准确的问题。对此,本文改进了该方法,在进行关联规则挖掘之前,先对用户基于组合相似度进行聚类,之后在各类中分别进行关联规则挖掘。在对一个用户进行电影推荐时,先对其进行类别的确定,再根据其所属类的关联规则进行推荐。实验证明,改进后的算法确实优于传统的算法。本文研究贡献:基于单一相似度计算方式,提出改进后的组合相似度计算方式;以组合相似度替换K-means算法中的欧氏距离;使用改进后的K-means算法改进传统的关联规则推荐。实验表明,组合相似度优于欧氏距离以及单一相似度,基于组合相似度聚类的关联规则电影推荐算法优于传统的关联规则推荐算法,本文提出的优化算法可行。