现有影视网站的用户推荐系统主要以用户的影评信息和电影间相似度为基础数据,基于协同过滤等推荐算法进行推荐。现有方法存在基础数据稀疏、数据维度不足、难以刻画用户肖像、无法反应用户对影视作品兴趣的变迁等问题,通常推荐类型单一,推荐准确率较差。同时,现有推荐算法缺乏反馈机制,推荐质量不能在迭代优化过程中不断提升。为进一步提升推荐质量,本论文针对影视观影的特点,引入多维数据融合的电影推荐模型,提出了若干改进的影视推荐算法。本论文的主要工作在于:(1)人格特质对用户喜好影视作品的种类有较大的影响,目前已有基于人格特质进行推荐的相关工作。我们发现,在人格特质相似时,用户背景接近的人群,因其接触环境、文化教育、生活圈子等更为相似,所互推荐的电影更容易感同身受,群体观影偏好相似度更高。基于此,本文在基于用户人格特质的协同过滤算法基础上,引入用户背景信息相似性计算,实现个性化精准推荐。实验表明,本文所述方法具有较好的效果,相对于只考虑人格特质时的推荐误差率提高8.92%.(2)用户偏好是一个随用户浏览事物而变化的时变量,根据心理学特征,用户对某类型电影的兴趣度变化情况为:频繁观看的某类电影具有较高的兴趣度;随意观看的某类电影,其兴趣度随时间快速衰减。现有方法中,兴趣度衰减速度参数是固定的,而本文研究中发现,对偏好程度较高的观影类型,因用户频繁观看,形成思维定式,兴趣度衰减较慢(如同形成长期记忆,一旦记忆形成很难忘掉),而用户不频繁观看的电影,兴趣衰减较快。在此基础上,本文提出一种兴趣时间衰减模型,并基于此,改进了现有基于时间衰减的推荐方案。实验表明,相对于基于兴趣度时间衰减算法,本文提出方法推荐质量具有一定的提高。(3)电影用户评论较为稀疏且随意性较大,无法完整反映用户的真实情感,推荐系统难以获得足够丰富可靠的数据实现反馈与提高质量。同时,因缺乏量化的推荐质量数据,用户对推荐系统无法产生足够的信任。为解决该问题,本文通过面部表情识别,实时捕捉用户观影时的实际情感数据,量化的用户观影体验,这对推荐质量的反馈与提升有巨大的作用。同时,因长时间伪造面部情感难度极高,本方法也可以有效防止水军刷评价。(4)最后结合推荐模型,对电影推荐系统完成设计与实现。设计部分主要包括:推荐系统的需求分析、推荐系统的整体架构设计、数据库表的设计、用户与管理员模块的设计。