随着互联网的飞速发展,各类信息层出不穷,人类已步入大数据时代。信息时代带来便捷的同时,也同样带来了信息过载的问题。个性化推荐系统可以有效的解决信息过载的问题,在电子商务、电影、音乐推荐等领域均发挥着巨大作用。尽管应用场景不同,但其基本组成架构类似,具有较强的可移植性和适配性。本文选取了电影推荐的场景,借助粒计算模拟人脑处理复杂问题的方式,将其应用到推荐系统的核心——推荐算法中。本文的主要工作如下:(1)分析了常见推荐算法的流程,总结了常规相似度计算的优缺点,并根据用户评分习惯的不同,利用粒计算中粗细粒子聚合分解的研究方法,对用户群体进行分类。(2)利用粒度分析的求解思想,提出了分层粒化聚类算法。算法分成离线和在线两部分:离线部分根据U-I评分矩阵对所有用户分层粒化,直到生成最终的推荐聚类,在线部分利用生成的聚类进行推荐。(3)本文利用Django这一轻量级开发框架,实现了基于粒计算的电影推荐系统。数据存储使用My SQL,用户可以通过Web浏览器实现观看电影、查看推荐等人机交互操作。设计管理员模式,管理员可在后台增删电影,查看用户信息。针对系统各模块设计了测试用例并进行了功能测试。本文的创新点在以下几个方面:第一,将粒计算的指导思想融入到推荐系统中,根据粒化、粒度分析等原理简化推荐模型;第二,提出了基于用户评分习惯的相似度计算方法,消除了用户不同评分习惯带来的影响,解决了PCC方法在共同评分项目较少时对单个项目差异过于敏感的缺点,提高了推荐精度;第三,提出了分层粒化聚类算法,降低了算法复杂度,提高推荐精度。在与传统协同过滤算法进行对比后表明,本文提出的算法,推荐精度提高了2.90%、线上平均每个用户的推荐时间降低了5.04%。