随着物质生活水平的提高,精神娱乐变得愈发重要,作为一项较为普及的精神娱乐项目,影视娱乐正在逐渐受到人们的重视。然而近年来电影行业迅速发展,电影的产量也在逐年增加,如何在海量的电影数据中快速、准确地找到用户喜爱的电影便成了一个亟需解决的问题。根据注册用户的观影信息、浏览信息以及评分信息等计算出用户可能会感兴趣的电影是解决该问题的关键所在。经过了对大量的文献与资料的查阅和总结之后,论文提出电影推荐模型,该模型包含对电影数据集的预处理、用户对电影评分的预测以及对预测评分的处理等。在电影评分预测的研究中,根据深度学习的相关理论提出将卷积神经网络(CNN)的原理运用于电影评分预测模块。根据注册用户的注册信息、电影相关信息及注册用户对于电影的评分等相关信息来训练卷积神经网络,在实验中通过调整超参数来提高神经网络在训练集上的表现;为了缓解卷积神经网络在计算和网络训练过程中出现的“过拟合”现象,寻找合适的Dropout值降低过拟合问题;在对电影推荐模型优化的过程中,首先对数据集进行了相关预处理,之后对处理过的数据集使用K-Means聚类算法进行进一步的聚类计算,通过电影评分对用户进行聚类,在一定程度上参照了协同过滤算法中的相似度计算,评分预测的准确度被大大提高。论文将Movielens-1M包含电影评分的数据集进行处理之后,运用到电影推荐模型当中。实验结果表明,论文建立的电影推荐模型能够比较准确的推荐出用户喜爱的电影,在电影推荐领域有一定的参考意义。