基于内容的推荐在用户数据较少的情况下是一种有效的解决冷启动的方法。针对基于内容的推荐算法中，内容相似度计算精度低、用户兴趣漂移等问题，提出一种结合影评内容相似度和长短期兴趣模型来计算电影相似度的推荐方法。算法利用text-rank、word2vec等技术和模型对影评进行关键词抽取和词向量构建，同时基于word2vec训练结果进行电影内容相似度计算，一定程度上解决了近义词、网络词等带来的准确率下降问题；然后基于长短期兴趣漂移模型，统计用户对不同内容属性的偏好权重，并随时间窗口动态计算电影相似度矩阵，缓解了用户兴趣随时间漂移而改的问题；最后根据不同推荐策略获得推荐结果。实验结果证明，该算法比对比方法正确率提高了5%左右，同时兴趣模型提取了用户长短期兴趣标签，在工业界及基于标签的算法等场景中都具有很高的实用价值。