当前互联网技术的迅速发展给广大用户带来了大量的信息,满足了用户了解世界的需求。但是,各种铺天盖地的信息使得用户越来越难检索出自己感兴趣的信息,出现了所谓的“信息超载”现象。个性化推荐技术是解决该问题的有效途径,它通过分析用户的检索信息操作建立用户兴趣模型,主动向用户推荐其可能感兴趣的信息,而无需用户主动提供任何输入。在推荐技术的研究领域中,协同过滤算法是当前最为成熟、应用最为广泛的一种技术。本文针对协同过滤算法展开了深入细致的分析和探讨,设计了一种混合协同过滤算法,并基于此算法搭建了一个电影推荐系统,为用户推送其感兴趣的影片。本文主要完成的工作：首先分析研究基于用户、基于项目和Slope One这三种协同过滤算法。通过比较研究发现,Slope One算法不仅易于实现、效率高,且具有推荐结果准确度较高的特点。但是,Slope One算法的不足之处是不能很好的处理不同用户的个性化推荐。为了解决该问题,本文提出了一种将用户相似性和SlopeOne算法相结合的协同过滤算法。该算法的核心思想是定义用户相似模型,计算出用户间的相似系数,将用户间平均相似性作为Slope One算法的权值计算预测评分,最后根据预测所得评分值为用户给出推荐。同时在查找近邻用户时本文设计了一种动态阈值的查找方法。为了解决海量数据时计算复杂度的问题,本文基于分布式框架提出将该混合协同过滤算法并行化的方案。通过理论分析和在标准的MovieLens数据集的实验可以看出,本文设计的混合协同过滤算法可以有效提高个性化推荐系统的推荐准确度。最后,通过对电影推荐系统的需求进行调研,在需求分析和前期的技术研究基础上进行推荐系统架构设计、功能模块设计和数据库设计,实现了基于混合协同过滤的电影推荐系统。