随着网络的发展,每天都有数亿计的新信息出现,在这个信息过载的时代,人们无论是寻找有用信息还是想要将信息呈现给他人都成为了一个巨大的困难,应运而生的推荐系统解决了这个问题。当前的推荐系统融合深度学习技术,整合海量的多源数据,充分利用潜在的用户、项目特征,提高了推荐系统性能,使推荐结果更加贴合用户偏好。本文对相应的推荐方法进行了研究,针对相似项目的推荐,使用基于文本卷积改进协同过滤的推荐方法;针对依据用户历史行为的推荐,使用基于卷积神经网络的Top-N推荐方法。本文基于这两种方法以个性化电影推荐为应用场景,实现了个性化电影推荐平台。主要工作内容如下:1)提出一种基于文本卷积改进协同过滤推荐方法。该方法计算项目相似度时,融入用户特征以及项目特征等多源辅助信息;计算最终用户对项目的兴趣度时,融入依据特征拟合得到的用户对项目的兴趣度。实验结果表明,该方法相较于传统基于项目的协同过滤算法,推荐效果更佳。2)基于卷积网络的Top-N推荐。首先依据用户与电影的交互记录,使用LFM提取用户、电影特征,其次采用两种卷积神经网络对电影特征进行特征提取得到最终的电影特征,最后将用户、电影特征输入到全连接网络层,预测用户对每部电影感兴趣的概率值,将概率值高的前N项推荐给用户。在实验过程中调整实验数据,实验结果表明改进的实验推荐效果更佳。3)搭建个性化电影推荐系统。以个性化电影推荐为应用场景,以本文中改进的方法为基础,系统性地搭建了一个针对用户的电影推荐系统。首先是对系统整体需求分析,然后根据需求分析设计系统整体架构、功能模块等,最后使用Python语言和Django框架,实现个性化电影推荐系统。通过对基于文本卷积改进协同过滤的推荐和基于卷积网络的Top-N推荐方法的研究,以电影推荐为应用场景,将两种方法应用到实际生活中,为电影推荐提供技术支撑。