近几年,互联网伴随着人们的广泛使用,其所承载的数据资源以指数式的速度与日俱增,其已由初期时的信息匮乏年代逐步发展成为了信息过载年代,与之相伴的网络在线影视也变得丰富了起来,其市场前景也愈发受到人们看好,并变得想象空间越发丰富。但伴随着这些变化,当单一用户在平台中寻觅自己所需信息与资源时,其所要耗费的精力与时间也将变得更多,因此,高效迅捷地帮助用户找到其所需资源已成为了在线影视平台必须实现的刚性需求,其效果决定了平台的成功与否。个性化推荐系统作为一种高效的信息过滤手段,优秀的个性化推荐系统可在短时间内满足用户需求,该系统的实现多采用基于邻域的协同过滤算法,部分还可能混合采用了基于内容的推荐算法或基于人口统计学的协同过滤算法等,上述算法经过实践证明,也都取得了不错的结果,但都没有有效解决“冷启动”和“稀疏性”等问题。本课题的主要研究内容是搭建一个在线影视平台的个性化推荐系统,通过面向用户的个性化推荐,自动为其推荐可能感兴趣的影视资源,帮助用户从海量信息中快速挑选到自己喜欢的影视资源,从而节省用户的时间,让用户拥有更好的欣赏影视作品的体验感受,从而有效提升用户黏性。本文对常见的几种算法做了分析和对比,并通过发现每种算法的缺点和优点,将其相互结合,避免面临单纯使用其中一种算法无法很好的达成提升用户体验度的需求的处境。本论文将研究并实现结合耦合对象相似度的协同过滤算法影视系统,从而希望能够进一步提高个性化推荐系统的准确度,有效帮助用户更快速的挑选感兴趣的影视,并且最大可能的解决了“冷启动”和“稀疏性”等问题。本论文对三种过滤算法:基于用户、基于物品和基于模型的协同过滤算法进行了介绍,并阐述了上述算法的优劣势和使用场景,同时还对耦合对象相似度算法进行了设计与验证。最后在结合上述算法的基础上对在线影视平台个性化推荐系统的需求进行调研,并在此基础上进行了整体框架、业务模块、业务流程和数据库等设计,从而能够实现一个个性化推荐系统,最后对该系统进行了测试,并取得了预期良好结果。