随着社会科技的进步以及互联网行业的飞速发展,信息过载的大数据时代已经到来,作为解决信息过载的方法之一,推荐技术已经融入了人们的生活之中。推荐算法自诞生以来,并不是完美无缺的,传统的推荐算法存在着或多或少的不足,比如传统的推荐算法通常会存在数据稀疏性、冷启动,推荐精度不高等问题,为了降低这些问题对推荐系统带来的不足,研究学者和专家通过不同的研究来改善以及优化不同的算法,弥补原始算法的缺陷。本文针对传统协同过滤算法中数据稀疏性以及推荐准确度不高等问题,展开了相应地研究,本文主要的研究内容和贡献如下。（1）调研发现在部分的电影推荐系统中存在着热门电影经常会高频次的推荐给用户,影响了部分用户对非热门电影的选择问题,于是本文在用户相似度的计算中,加入了惩罚项来解决这种问题;在传统的协同过滤算法中没有考虑到用户的兴趣爱好会随着时间的变化而发生变化,于是本文在用户相似度的计算中加入了时间因子来缓解这种现象。通过实验数据表明,对比传统的协同过滤算法,本文改进算法的Precision值和Recall值提高了6%和5%左右,MAE值降低了3%～4%左右。（2）研究发现传统矩阵分解算法中经常由于矩阵数据稀疏问题导致推荐效果差,于是本文改进了矩阵分解算法中矩阵填充的方式,首先用优化后的SVD算法初次填充原始用户评分矩阵,然后融入项目属性构建新的矩阵,最后使用优化后的slope one算法进行二次填充。对比传统协同过滤算法,本文改进了矩阵填充方式后的算法Precision值和Recall值大约提高10%和11%～12%左右,MAE值大约降低了4%～7%左右。（3）针对单一的K-means聚类算法聚类效果不佳等问题,本文将K-means聚类算法和鼠群优化算法相结合,得到了融合K-means聚类算法和鼠群优化的算法（KRSO）,对比单一K-means聚类算法,本文所融合KRSO算法聚类效果更好。本文结合了机器学习中KRSO算法和Light GBM算法的优点,将集成机器学习和协同过滤算法以及矩阵分解进行了混合,构造成混合推荐算法,通过实验表明,相比单一算法进行推荐,混合模型推荐效果更好,相比于传统的协同过滤算法,本文最终改进算法的Precision值大约提高15%左右,Recall值提升大约18%左右,MAE值降低了10%左右。（4）本文基于Django设计开发了一个电影推荐系统,实现了管理员和用户的相关功能,在开发过程中,本文发现部分学者忽略了用户密码的安全性问题,于是本文在用户密码登录时加入了RSA算法对用户密码进行保护,进一步保障了用户的信息安全。