如今的时代是大数据信息时代,人们的生活水平也随之提高。他们希望花费更少的时间来获取对自己最有用的信息。而如何从海量的数据中挖掘出人们的潜在行为,并为其进行准确的推荐是现阶段所要面对的问题,推荐系统应运而生。我们所使用的很多产品都运用到了推荐系统,都会根据你之前的一系列行为来预测你可能感兴趣的商品并进行推荐。协同过滤是最早提出的一种推荐算法。通常是先找到和指定用户有着相似爱好的用户,综合这些有着相似爱好的用户对某一商品的评价,然后再对指定用户对这一商品的喜好程度进行预测。传统的协同过滤存在的不足是不能够结合时间和用户的兴趣爱好的改变。本文结合卷积神经网络（Convolutional Neural Networks,CNN）和循环神经网络（Recurrent Neural Network,RNN）来对用户之前的一些行为和商品本身属性建立一个更为灵活的模型,从而对用户提供一个更为精准的推荐。用户和电影这类静态属性的特征提取使用卷积神经网络进行处理,处理之后得到的两个特征则可以通过全连接的方式对评分进行拟合。而对于用户评分的信息则看做一个序列数据,采用循环神经网络进行相应处理,从而获取到用户对电影的预测评分值。对两个模型处理后得到的预测结果进行合并操作,将两个预测结果的平均值作为最终预测评分结果,选取最终预测评分较高的电影推荐给用户。最后在公开电影数据集Movie Lens上面进行模型验证。通过一系列的对比实验结果可以看出,对于本文研究的基于卷积神经网络和循环神经网络的电影推荐算法在相应的评价指标上有着不错的结果。另外,推荐的结果是给用户推荐一个商品列表。而在给用户进行推荐的时候,会先对用户进行聚类操作。通过对聚类后的数据进行模型训练和预测推荐发现,在准确率上聚类后得到的结果要比未进行聚类操作的结果提升了25%左右。