随着电子商务的快速发展，网络上的商品越来越丰富。一方面，丰富的商品让消费者喜悦不已;另一方面，消费者对于自己中意的商品越来越难以抉择。推荐系统是一个解决信息超载问题的有效工具，它根据用户的行为数据进行建模，然后利用创建模型对用户进行个性化推荐，把用户可能需要的信息、产品等推荐给用户。为消费者提供有用的建议，帮助消费者做出选择。　　协同过滤算法是推荐系统算法中应用最为广泛的技术，协同过滤算法又以奇异值分解(SVD)算法最为常见。但是，随着推荐系统规模的逐步扩大，矩阵分解的难度也进一步加大。同时，因为用户-商品矩阵的扩大，导致数据占用的磁盘空间和计算时间复杂度呈指数倍增长。但是，从概率的角度进行分析，用户-商品矩阵的扩大会丰富样本数据，能保证概率模型进行更充分的训练和学习。而且，概率模型的时间复杂度随着矩阵扩大线性增长。相对于矩阵分解技术，概率模型受数据集规模增大的影响较小。　　针对概率模型——潜在狄利克雷分布(LDA)模型在推荐系统中的不足表现，将评分信息加入LDA模型，提出了基于评分LDA的协同过滤算法。因为用户在选择商品的时候，用户的购买行为并不是独立的。用户不仅仅要根据自身的兴趣和要求，还要考虑其他用户对于该商品的评分。用户对于商品的喜爱程度可以通过该商品的评分高低来体现。一般来说，高评分的比例占得越大，该商品越受用户欢迎。然后，在两个真实的数据集上进行对比实验，并采用F1衡量指标。实验结果显示，本文模型提高了推荐系统的推荐精度，使推荐系统具有更好的推荐质量。通过实验验证了这种改进思路的可行性，证明这种改进算法的确更适合在推荐系统上运用。　　最后，基于以上研究成果本文设计并实现了一个包含数据预处理模块、基于评分LDA协同过滤算法的兴趣模块和个性化推荐模块的电影推荐系统。该系统采用Java编程实现，在真实数据集上进行模拟推荐，详细展示了该推荐系统向用户推荐电影的整个推荐过程。