Web2.0的迅速发展使互联网内容的创建和分享变得越来越容易,每天都有大量的图片、音乐和视频发布到网上,海量的信息为用户提供更加丰富的内容,但同时为用户筛选信息带来困难。在这样的情形下,搜索引擎成为人们快速找到目标信息的最好途径,它可以满足用户查找明确信息的需求,但不能完全满足用户对于信息发现的需求。在多数情况下,用户其实并不清楚自己的需要,这可能因为他们很难找到合适的关键词描述需求,或者用户需要更加符合他们个人口味和偏好的内容。此时,用户需求不仅仅停留在信息查找,更多的是信息发现,推荐引擎就可以为用户推送符合其兴趣和喜好的信息。随着推荐技术的快速发展,推荐引擎已经应用在电子商务网站和基于社交关系的社会化站点。近年来,用户对于视频观看的需求不断上升,国内外相继出现各种各样的电影推荐网站,如国外Netfix电影推荐网站,豆瓣电影等。这些网站根据用户的行为数据向用户推荐电影,在一定程度上帮助用户发现更多的电影。目前电影推荐引擎大部分是基于协同过滤推荐机制,这种推荐存在冷启动和数据稀疏的问题,影响电影推荐的精确度。本文针对推荐机制存在的不足,提出了将用户观影情境因素应用到现有的推荐系统中,通过建立用户观影情境模型,向用户提供个性化的电影推荐,提升电影推荐的用户满意度。本文通过一系列用户研究方法,先后对电影推荐的用户需求进行分析,将用户情境划分为静态情境和动态情境,对用户类型进行细分,从而获取用户性别、用户类型和用户心情这三个情境因素对用户选择电影的影响,通过数据分析建立用户情境模型,并将此模型应用到现有的推荐系统中,为用户提供更符合其兴趣和喜好的电影推荐服务。