推荐系统是解决信息过载现象最有效的手段之一,通过与传统分类、搜索引擎等技术相结合,能有效的提高用户获取信息的效率,给人们带来良好的体验。随着互联网信息技术的发展,人们普遍地在网上观看电影。而电影产业已经发展多年,有大量的影片已存在于世,电影信息过载现象会越来越严重。面对海量的视频,把推荐算法应用于电影视频产业,一方面是用户的体验越来越好,一方面促进了推荐算法的演变与发展。当下,深度学习技术在自然语言处理领域已经取得了成功,使用深度学习技术来处理电影的描述信息并结合传统推荐算法,设计并实现一个基于深度学习的个性化电影推荐系统具有重要的意义。本文首先介绍了电影推荐系统的研究背景及意义,详细阐述了推荐系统的组成与推荐算法的分类,然后详细介绍了基于内容的推荐算法、基于领域的推荐算法、基于矩阵分解的推荐算法的原理和各自的优缺点以及混合推荐算法,并且对衡量推荐算法的性能指标进行说明。然后介绍了一种基于深度学习技术的推荐模型ConvMF,对其中所使用的概率矩阵分解模型、卷积神经网络结构进行了详细的说明。首先提出了优化概率矩阵分解模型中用户特征向量矩阵、电影特征向量矩阵初始化策略,然后优化了ConvMF模型中卷积神经网络结构中的嵌入层的初始化策略。本文首次把KNN算法与ConvMF模型相结合提出了一种新的模型ConvMF-knn,以解决在矩阵分解过程中丢失的隐含信息。最后在MovieLens,AIV公开数据集上验证并对实验结果进行分析。最后,根据某公司的业务特征及需求分析,采用B/S结构,实现了一个由用户评论模块、推荐模块以及爬虫模块等组成的个性化电影推荐子系统。并对系统主要功能接口进行了测试。将改进后的ConvMF-knn模型应用于个性化电影推荐系统推荐模块当中,提高此系统的推荐精度。