随着互联网的迅猛发展,移动终端的快速普及,海量的资源信息带来了“信息过载”问题。大量无意义的信息给人们挑选价值信息造成了巨大困扰。针对这一现状,推荐系统应运而生。通过对用户历史行为记录的分析,推荐系统进一步掌握用户的个人爱好,从而可以向用户主动提供其想要的信息。推荐系统中,协同过滤技术应用最为广泛,它最大的特性即“领域无关性”,只需根据群体之间的相似性对目标用户做出推荐。尽管协同过滤技术备受欢迎,但在实际应用过程中也存在着不足,具体表现如下:(1)传统协同过滤方法推荐效率较低。尤其是在大数据时代,用于推荐的决策数据随时间不断更新变化,这时计算过程就需要消耗大量的时间,从而可能造成用户的快速响应需求无法满足;(2)大多数传统的协同过滤方法,往往更关注推荐结果的准确性,认为推荐列表中项之间是相互独立的,这样推荐列表中很有可能存在冗余项或重复项,由此产生的推荐结果并不能涵盖用户广泛的兴趣,进而用户满意度会有所降低。针对上述问题,本文进行细致研究,对传统的协同过滤技术进行改进,并将改进方法应用在电影推荐系统中,以实现多样化的电影推荐系统。具体研究工作如下:(1)首先,本文对推荐系统的发展背景、应用现状、协同方法进行了详细介绍,并分析了协同推荐方法的不足之处。(2)其次,针对协同过滤方法推荐效率低且推荐结果冗余化问题,将局部敏感哈希算法引入推荐问题中,以此提高传统协同过滤技术的推荐效果。该方法可以离线地建立项目索引,从而对高维数据进行降维,利用项目索引,快速查找目标用户历史记录的相似项,进而大大提高推荐的效率;在构建推荐列表过程中,利用评分多样性对列表进行二次优化,排除列表中的相似项,较大概率的保证推荐列表中的项彼此之间是不相似的,从而为用户提供多样化的推荐列表,提高用户对推荐结果的满意度。为了验证改进方法的有效性,本文选用MovieLens数据集,通过设计对比实验,衡量推荐系统的常用指标,最终实验结果表明本文提出的方法是切实可行的。(3)最后,将改进的方法应用在电影推荐系统中,进行了多样化电影推荐系统的设计与实现。首先对系统进行了可行性分析、功能需求分析以及非功能需求分析,之后完成了系统的总体设计,并在MyEclipse开发环境下,利用Java语言实现了系统的各功能模块。