电影市场的发展愈来愈壮大,电影信息过载是人们面对挑选电影时的一种困扰。近年来对于电影推荐的研究正在逐步推进。协同过滤电影推荐过于依赖用户历史数据,存在数据稀疏和冷启动问题。基于内容的推荐不能对新用户适用,且电影特征需要大量人工标注,且难以挖掘用户的新兴趣点。基于知识图谱的推荐难点为针对不同的场景,难以界定如何构建一个好的知识网络。基于人口统计学的电影推荐存在泄露用户隐私的风险,且推荐的粒度过度不能确保推荐的准确性,无法实现个性化推荐。混合推荐方法虽解决了单一推荐的局限性,但其实现过于复杂。电影评论挖掘和总结是自然语言处理中具有挑战性的任务之一,另外仅提取电影简介和电影评论无法有效的获取电影最本质的特征——电影语义特征。在大部分情况下,用户无法拥有足够时间观看整部电影,而一部电影中,令用户印象深刻的往往是其中的某些核心的精彩的片段,因此,通过对该电影小片段进行特征抽取及用户观看该片段的情绪变化序列,可以建模出用户对该电影的兴趣度,进而解决传统电影推荐模型对兴趣建模的局限性。基于以上的论述,论文的动机是用户对电影的兴趣度需结合电影本身的语义特征及用户本身的主观感受变化作考虑。为此本论文收集十种不同类型的精彩电影片段,邀请150名在校学生每人随机观看其中的多个片段,并以视频形式记录他们观看片段过程中的情绪变化。利用最新的电影特征提取算法对每个电影片段进行语义级别的特征提取。利用当下流行的情绪识别模型提取学生的情绪变化序列特征。电影特征与用户的观影情绪变化特征进行融合,采用序列化推荐模型进行建模,与用户的真实打分进行拟合训练,以期得到效果较好的兴趣度预测模型。进行对比试验,通过消融实验和使用多种流行的序列推荐模型作比较,以证明论文所设计的跨域特征融合模型是有效的。