随着互联网和电子商务的快速发展,信息过载已经成为目前互联网用户所面临的严峻问题。人们在使用互联网时产生的海量产品信息导致用户难以快速地找到自己喜欢的物品。同时,互联网企业也需要考虑如何及时向用户提供其感兴趣的产品来赢得用户的喜爱,推荐系统便是解决这一问题的有效手段。协同过滤推荐技术是当前各大网站应用最广泛、效果最好的技术,本论文对传统的协同过滤推荐算法进行了分析和改进,并以影片推荐为例,设计和实现了一个个性化推荐引擎,具体研究内容如下:(1)首先对推荐系统的研究背景、研究历史及国内外研究现状做了介绍,并对推荐系统涉及到的各种概念、理论和技术以及相关应用做了详尽的阐述,具体内容包括推荐算法的分类、相似性度量方法、推荐系统的评价技术、推荐系统的应用等。(2)然后,以影片推荐系统为例,利用movielens数据集构建了一个影片推荐引擎,该推荐引擎实现了三个主要功能,分别是:数据集的构建、邻居的挖掘、影片的推荐。该引擎实现了基于用户过滤和基于物品过滤两种推荐算法。此外,本文在传统算法的基础上进行了改进,在计算相似性的时候同时考虑了评分值的差异和共同评分的物品数,另外,考虑到热门物品在评价用户之间的相似度时其效果不如冷门物品好,在模型中降低了热门物品在计算相似性时的权重,改进后的算法在推荐准确率和召回率上比传统算法提高了1倍以上。(3)最后,本文从软件工程项目设计的角度出发,对影片推荐系统的分析、设计、实现及测试等内容进行了研究,实现了个性化影片推荐网站系统。