随着世界进入大数据时代,电影行业所产生的数据呈现出指数级别的增长,电影平台中日益增长的用户和电影数量,使得用户找到自己真正感兴趣的电影变得越来越困难。在繁多的电影数据中,如何将电影与用户相关联,并帮助用户获取有用的信息是我们面临的一大问题。随着研究的深入,一种可以根据需求定制个性化服务系统——推荐系统随之诞生,并应用到电影平台中。推荐系统可以挖掘每个用户的需求,找到用户感兴趣的电影类型,来为用户定制个性化服务。协同过滤算法依靠其适应性强等优点,被各领域专家所青睐,广泛的应用于电影推荐系统中。但其依然存在很多不足,例如随着数据量增多而日益稀疏的评分矩阵、新数据冷启动和挖掘冷门电影能力不足等问题,需要进一步的研究。本文针对电影推荐场景下推荐系统中存在的问题,做了以下研究。首先使用K-means聚类算法和协同过滤算法相结合的方式,来改善算法在面对稀疏数据时遇到的问题。并且引入了一种新型的群智能优化策略——麻雀搜索算法,对聚类中心点进行寻优,来解决K-means算法初始中心点敏感和运算前无法确定K值等问题,提出了一种基于麻雀搜索与聚类协同过滤的电影推荐算法。算法有效缓解了由于初始聚类中心点的选取过于集中而导致陷入局部最优的问题。而后又针对麻雀搜索算法早熟收敛和无法动态调整步长的问题,使用鸟群优化策略和动态步长权重等策略对麻雀搜索算法进行了改进。同时分析了推荐系统中评分矩阵的局限性以后,使用用户打分偏好模型对原矩阵中的打分数据进行优化。最终针对电影推荐场景下,提出基于打分偏好与改进麻雀搜索聚类的电影推荐算法。最后在真实的电影评分数据集上设计实验,与其他相关的推荐算法进行对比分析,结果表明该算法在推荐准确度和运行效率上,均有不同程度的提高,有效的降低了数据稀疏性问题。