随着在线电影数目不断增加,人们开始通过信息过滤以获取有效信息,因此个性化的电影推荐系统成为研究的热点。本课题研究电影推荐,从个性化推荐的算法和应用两个方面展开研究。其中算法以Movie Lens数据集上的“用户-项目”对为基础数据,根据用户是否已选择该电影划分正负样本,并在正样本中划分训练集和测试集,通过对比实验和参数实验等验证提出算法的有效性,同时设计并实现了基于改进的神经协同过滤模型的个性化电影推荐系统。当前协同过滤作为过滤信息的有效方法,虽然被广泛应用,但是该算法的计算过于依赖评分矩阵,而评分矩阵会面临矩阵稀疏和可扩展性等问题。因此本课题引入了神经协同过滤,它对协同过滤算法的优化在于将矩阵分解的过程神经网络化,避免了评分矩阵的生成。神经矩阵分解模型是神经协同过滤的一种具体实现,在该实现的基础之上,本课题提出了改进的模型——融合贝叶斯排序的神经协同过滤模型。该模型引入因子分解机及贝叶斯个性化排序,该结构能进一步捕捉用户特征的非线性信息及优化排序性能。通过实验对比,新模型在命中率和排序性能上对比原算法模型都有一定的提升,并且保持了较快的收敛速度。基于融合贝叶斯排序的神经协同过滤,本课题实现基于该算法的推荐引擎,构建了一个基于B/S架构的个性化电影推荐系统。该系统通过数据库存储完成用户行为搜集—算法计算—返回推荐结果等一系列过程,并且实现了用户个人中心、运营人员页面、电影详情页、系统主页和电影推荐等各项业务功能,提供了神经协同过滤算法的一种系统实现方案。