随着这些年来互联网技术的迅猛发展,电子商务、社交网络及垂直门户网站迫切需要一种能自动向用户发送个性化推荐信息的功能,用以增加网站营收,改善用户体验,这一功能正是用户个性化推荐。而随着推荐内容的多样性发展,目前国内针对电影流媒体信息的推荐需求正日益增多,但无奈国内针对电影内容的推荐技术的研究并不多见,而且在应用协同过滤算法进行电影内容推荐时同样存在一些固有问题。本文正是针对协同过滤算法应用在电影内容个性化推荐时的特征稀疏及用户相似性计算精度不足等问题,提出一些协同过滤算法的改进方案,从而提高电影内容的推荐精度。本文首先针对传统协同过滤个性化推技术的发展历程、框架流程及分类作了详细介绍,重点分析了协同过滤算法在实际应用中存在的一些不足与缺陷,包括特征稀疏、算法可扩展性、用户安全性、冷启动和推荐实时性等问题。然后针对用户评估矩阵的特征稀疏问题,提出一种基于电影类目关键字词典和用户搜索记录的特征权重赋值算法,该算法主要基于本文自建的电影类目分类词典,并将用户的查询向量转换为用户-电影类型向量,然后通过本文提出的计算法则得到目标用户对特定电影类型的喜好分值,并把这一分值赋予给原用户特征矩阵的未评分项目作为初始启动分值。同时针对用户相似度计算精度不足问题,提出一种基于《同义词词林扩展版》和搜索记录的用户相似性计算算法,该算法通过引入《同义词词林》来计算用户查询记录中义项、词汇和查询向量的相关性,用以得到用户间的相似性,最终给出一种综合用户评分及查询向量的用户相似度计算方法。最后本文通过设计并实现一个B/S架构的电影个性化推荐系统,以Movie Lens电影评分数据集作为测试集,在该推荐系统上完成了三个对比实验,用以验证本文提出的改进方案是否有效。实验结果表明本文提出的两种关于协同过滤算法的改进方案确实能有效推荐提高系统的推荐精度和用户满意度,证明本文的研究内容具有现实意义。