随着电影数量的不断增多,视频网站的电影数量也在不断地增加,但是视频网站常常会给用户推荐一些低质量或者用户不感兴趣的电影。如何提高推荐电影的质量以及与用户兴趣相关的电影成为了电影推荐的研究重点之一。虽然视频网站的电影推荐系统日益复杂化,相关的推荐算法也多种多样,但是以目前的推荐系统来说也难以满足要求。因此为了解决推荐电影的低质量问题和电影与用户兴趣相关性的问题,本论文展开了相关研究,主要包括以下内容:首先,本文开篇介绍了该课题的研究背景和意义,分析了将关联规则算法运用到电影标签上会产生什么样的效果。之后对当前电影推荐系统中应用比较广泛的几种电影推荐算法进行了介绍,分析了各种方法利弊,并提出了判断电影推荐算法好坏的几种指标,最后对当前电影推荐算法存在的问题进行了深入分析。其次,介绍了Aprior算法的基本原理,阐述了加权型Apriori算法的基本思想,通过伪代码对两种算法的实现过程进行了详细分析,接着分别将两种算法运行到同一个实例中,对实验结果进行分析,再将两种算法的实验结果进行对比进行深入分析。最后,通过对豆瓣网热门电影进行数据爬取,获得电影的数据集。然后利用获得的数据集实现基于内容的电影推荐算法,之后再将数据运用到Apriori算法中,增加推荐电影的种类,最后将两种算法运用到电影数据集中,通过将两个算法的实验结果做对比,验证加权型Apriori算法可以使电影推荐的效果更好,推荐的电影质量更高。