考虑到我国居民的精神文化需求及电影领域的高速发展,为了使影视用户行为由“一搜即得”向“不搜即得”转变,个性化推荐技术被应用到影视领域。然而,传统的个性化推荐算法存在忽视项目间语义关联、忽略用户喜好随时间变化以及冷启动、用户-评分矩阵稀疏等问题。为了解决以上问题,获得较低的平均绝对偏差,从而提高推荐算法的精度,本文在传统的个性化推荐算法中引入了本体技术。本文的主要工作和创新体现在：第一,影视领域本体及基于本体的用户模型的构建。本文在“七步法"本体构建方法的基础上引入了迭代开发模型思想,得出了基于迭代开发模型的本体构建方法,并利用现有的本体建模工具,构建了影视本体来适应推荐算法。然后,将用户信息添加到已构建好的影视本体的部分节点上,得到基于本体的用户模型。第二,新用户存在冷启动问题,针对这一问题,利用用户背景相似性来改进K-Means算法,并用其对用户聚类。在解决冷启动问题的同时缩小了目标用户最近邻的搜索范围第三,根据影视用户的遗忘特点,对遗忘函数进行指数函数拟合来改进传统艾宾浩斯遗忘函数,并用其修正用户-评分矩阵,突出了用户近期评分在推荐过程中的作用,进一步精确了推荐结果。第四,基于本体的推荐算法的提出。本文提出了两种基于本体的影视推荐算法：算法1针对用户-评分矩阵的稀疏性,基于项目语义相似性对矩阵填充,然后,用传统的用户相似度计算公式,在修正的用户-评分矩阵上寻找用户最近邻集合,并产生推荐；算法2在寻找用户最近邻集合时,引入用户语义相似度这一概念,改进用户相似度计算公式并根据用户最近邻喜好进行推荐。通过在Movielens数据集上对算法进行验证的结果可知,本文提出的算法较好解决了新用户的冷启动问题,算法1虽然对解决用户-评分矩阵稀疏性问题有一定的帮助,但是,对提高算法的推荐精度效果不大,而算法2对提高推荐质量有较明显的效果。