近年来,互联网技术迅猛发展,互联网提供的服务日益增多,随之而来的是数据呈指数增长引起的信息过载现象。如何在种类繁多、数量庞大的互联网数据中筛选出对用户有用的信息成为一个必须要解决的问题。与此同时,随着技术的发展,用户的需求也越来越多样化、个性化。在此情况下,推荐系统技术应运而生并得到了快速发展。其中,协同过滤技术在早期各种商业环境中得到了广泛且比较成功的应用。然而由于推荐系统中用户、物品规模变得越来越大,数据稀疏性、推荐系统冷启动、计算耗时长等问题日益突出。针对数据稀疏性和冷启动问题,本文提出使用基于内容的推荐来辅助协同过滤推荐的混合推荐方案。同时,为了降低评分预测误差改善推荐效果,本文考虑了用户评分特征、共同评价两部电影的用户数量以及用户评分时间,并从这三个方面对基于物品的协同过滤算法的相似性度量公式进行了改进。本文的核心工作是改进推荐算法并使用改进后的推荐算法设计一个个性化电影推荐系统。在推荐算法的改进方面,本文首先分析了经典的协同过滤算法。通过分析基于用户和基于物品的协同过滤的特点,本文选择了基于物品的协同过滤算法。然后对基于物品的协同过滤中相似性度量方法进行了逐步改进。最后从改进的几种相似性度量方法中选取推荐误差最小的一种作为本文协同过滤算法所要采用的相似性度量方法。本文采用使用广泛计算简单的平均绝对误差(MAE)来衡量每种算法的推荐误差。为了解决协同过滤算法存在的数据稀疏和冷启动的问题,本文引入了基于内容的推荐。其中电影内容由电影属性信息来表示,并尝试综合使用物品协同过滤和基于内容的推荐两种方法进行混合推荐。在个性化电影推荐系统的设计方面,本文采用开源的Grails框架,进行web应用开发。Grails框架采用MVC模型,使得Web应用架构清晰,模块开发迅速。其中Grails模型部分对应用户模型、电影模型和推荐结果模型,控制部分对应后端推荐引擎服务部分,视图部分对应前端用户登录、浏览、评分页面。最后,我们对系统各个功能模块进行了测试,各功能模块运行正常。