当今时代,各大移动互联网公司竞争激烈,如影视行业的爱奇艺、优酷、腾讯等,为了保证其在行业的核心竞争力,增强用户粘性,借此盈利,一个好的电影推荐算法是必不可少的。除此之外,优秀的推荐算法还可以便利大众,提高第三产业效率。目前,使用最广的推荐算法是传统的协同过滤算法,但是随着数据量的增长,传统推荐算法的弊端渐渐显露,表现尤为严重的是数据稀疏和信息利用率不高的问题,所以在一些场合,推荐效果不是很好,为了缓解此问题,本文提出一种基于深度学习技术的电影推荐模型。本文所用数据集为movieslens数据集,首先,通过数据探索性分析发现数据的分布情况和存在的一般规律,结果表明数据符合长尾分布;其次,构建深度学习推荐模型框架,主要分为三个部分,并行的两部分为用户特征提取网络和电影特征提取网络,第三部分为预测评分和真实评分的均方误差求取,整个模型主要使用全连接网络,在电影特征提取网络中,使用了文本卷积神经网络提取电影标题特征;然后,训练网络,使用Adam算法不断迭代,使损失函数均方误差降至最低;最后,结合用户和电影特征预测评分,生成推荐列表完成给目标用户的推荐任务。为了证实文中的深度学习推荐模型的优越性和有效性,本文还做了深度学习推荐算法与传统的协同过滤电影推荐算法的比较分析,算出了基于用户、基于物品和基于矩阵分解的协同过滤算法的推荐评价指标,与基于深度学习的推荐算法评价指标做对比,得出最后结果:深度学习推荐算法确实优于传统的协同过滤推荐算法,它的优越性具体体现在能有效缓解数据稀疏性和使用深层网络能获取更深层次的特征。这就给我们提高推荐准确率一种思路,比如引用更多的外部相关信息或使用能提取深层特征更有效的模型等。