随着互联网技术的不断发展,特别是移动网络的发展,信息量成爆炸式增长。如何在海量的信息中,为用户提供精准高效的个性化服务变得迫在眉睫。为了解决这个问题,推荐算法应用而生。随着用户特殊需求和新项目的不断出现,传统的推荐算法出现许多新的问题,如冷启动、推荐新颖度不够、数据稀疏等。面对这些问题,许多新技术被应用于推荐系统中,产生了一批新的推荐方法,如基于深度学习的推荐方法、基于协同过滤的推荐方法、基于矩阵分解的推荐方法等等。然而,在缺少用户信息的情况下,这些方法求解准确率较低。本文提出一种基于信息传播的推荐方法,信息传播算法是一种可以有效地求解各节点的置信度的方法,该算法是一种基于因子图模型信息迭代算法。目前,该算法已被应用于各个领域,如组合优化、多目标线性规划、图像组合等。将这种算法应用在推荐系统中,可以求出用户的边缘概率,进而为用户进行推荐。具体地讲:本文首先对豆瓣电影网进行了爬取,并对爬取的数据进行预处理,然后对电影评论数据进行中文情感分析,最后利用构建的电影评分综合模型得到电影的综合评分。基于综合评分,构建了一种因子图模型,然后在该因子图模型上进行信念传播算法求解,并通过与其它推荐算法的对比分析,验证了本算法的有效性。通过Python技术对推荐系统进行了搭建工作,将本文设计的推荐算法应用到系统中,最终实现了一个基于Flask框架的电影推荐系统。