观看电影是人们在闲暇时间里的一种主流娱乐方式,当前随着互联网的发展,各种网络电影点播网站是人们观看电影的一种新途径,通过它,人们足不出户就能方便地观看到世界上的绝大部分电影,然而影视行业的蓬勃发展导致各类影视资源的数量不断增多,出现了电影资源的“信息过载”问题,网络电影点播平台如何能有效地帮助用户发现符合其个人偏好的电影是一个需要解决的问题。推荐系统技术很大程度上缓解了电影信息过载的问题,协同过滤电影推荐算法因简单易行,是电影推荐系统中使用广泛的一种算法,然而传统协同过滤电影推荐算法仅利用了评分信息计算相似度,实际场景下会受到用户评分数据稀疏的影响,面临电影相似度计算准确率低的问题,此外,协同过滤电影推荐算法还存在流行度偏置问题,导致推荐结果多样化程度不高。本文研究聚焦于基于项目的协同过滤电影推荐问题,针对原始推荐算法中存在的电影项目相似度计算不够准确和推荐结果缺乏多样化这两个问题做了以下研究改进工作:（1）传统协同过滤电影推荐算法只利用用户评分数据计算电影相似度,会受到用户评分数据稀疏问题的不利影响,且相似度的比较维度比较单一,因此会导致相似度计算不够准确,推荐质量受到影响。本文根据电影推荐场景的特点,结合电影标签关联信息、电影受众相似信息以及电影质量相似信息对传统基于共同评分相似度计算的方式做出了有效改进,提出结合项目多属性相似测度的电影推荐算法,避免电影相似度计算方法过于片面单一,可以缓解在评分数据稀疏下电影相似性计算准确度低的问题。（2）由于流行度偏置问题的存在,传统协同过滤电影推荐算法会倾向于给用户推荐流行且同质的电影,而不是推荐最符合用户偏好的电影,使得推荐结果不能完全满足用户个性化及多样化推荐的需求。本文提出结合用户个性化偏好信息的电影推荐重排序算法,使用改进极限学习机算法学习用户的个性化观影偏好,并结合电影流行度信息对用户初步推荐列表中的候选电影推荐项目的排名进行调整,所提算法在有效提高电影推荐结果多样化的同时,可以确保电影推荐结果的准确度不会过大损失。基于Movie Lens电影评分数据集的实验结果表明,本文所提两种改进电影推荐算法分别能更准确地计算电影项目间的相似度以及能根据用户的个性化偏好推荐更符合用户偏好且更加多样化的电影项目。