在当今的信息时代,推荐系统在各行各业都扮演着一个重要的角色。实现精准营销,是推荐最终的目的。根据用户的历史活动记录,尽可能地挖掘出用户相关的行为模式以及商品表现出来的某种特性等信息,构建相应的用户画像,精准的定位用户的兴趣所在,根据用户的兴趣所在为用户匹配其最可能感兴趣的商品,从而实现为最合适的人推荐最合适的商品。以中国为代表的电影强国,推荐系统的研究在电影行业领域也相当重要。本文关于电影推荐系统的研究既有一定的理论意义,也有一定的应用价值。从理论意义上看,针对特征挖掘的手段,提出的改进算法的角度可为其他研究提供一定的参考;从实际的应用价值上来看,可以帮助改进电影推荐系统,实现更高效的营销。目前电影推荐系统的研究,存在的主要问题为:（1）针对电影评论数据,对不同方法的适用性条件缺少比较和探讨,存在一定误用的可能;（2）对特征的挖掘还不够深入,没有同时结合文本数据和浏览数据去做更多特征的挖掘;（3）传统的电影推荐仅采用一步预测即评分预测,不足之处在于其包含了观影可能性低的观众的评分预测。针对存在的问题,本文的核心工作是利用文本数据对不同方法的适用性条件进行比较,同时结合图嵌入算法进行特征的深入挖掘,得到主题特征和图嵌入特征作为特征学习集,最终提出了两步预测的电影推荐系统。首先,本文针对电影评论数据分别利用Latent Dirichlet Allocation主题模型（假定每篇文章由一系列主题构成,每个主题对应的词分布不同,通过吉布斯抽样生成每篇文档）和主题词嵌入算法（word2vec算法结合聚类算法）进行主题挖掘比较。由于Latent Dirichlet Allocation（LDA）主题模型通过词与词之间的共现关系实现对主题的挖掘,LDA主题模型在短文本数据上存在一定的不足。而主题词嵌入算法对文本数据的要求不高,不需要提前对短文本数据进行聚合处理。通过两者算法的比较,有如下结论:（1）主题词嵌入算法在主题挖掘的层次上比LDA主题模型更加细致;（2）主题词嵌入算法可自动提取相应的停用词,可为构建专业停用词词库提供一定的参考;（3）主题词嵌入算法提取的主题特征对推荐系统的改进效果更好。接着,利用图嵌入算法（以用户和电影为节点构建网络,通过随机游走抽取序列获取节点的图嵌入向量）对特征进行更深入的挖掘,发现挖掘出的特征在相似用户或相似电影上表现出特定的模式,更多地考虑了不同用户的浏览记录的交互信息,并且挖掘出的特征在后续两步预测的推荐方法中的第一步预测任务表现最优。最后,针对传统的一步推荐（仅通过评分预测进行推荐）的不足,提出了两步预测的推荐方法,即第一步为用户点击电影的概率预测,第二步为用户对电影的评分预测,将预测的概率值与预测的评分相乘,得到最终的评分。按照最终评分的排序,得到相应的推荐列表。通过两步预测推荐方法与传统的一步推荐方法进行相应的对比发现,两步预测推荐方法取得了更好的表现,也说明了本文提出的两步预测推荐方法的合理性。本文实现了对文本数据的深入挖掘,对不同方法的表现和适用性上进行了一定的探讨,结合图嵌入算法进行特征的深入挖掘,可为其他研究提供一定的参考,比如其他场景下电商平台针对用户评论数据的挖掘。而且本文提出的两步预测推荐方法相对于传统的一步推荐方法表现更好,显著的提高了推荐效果。