随着互联网高速发展,我们已经步入了“大数据”时代。由于“信息过载”问题的显现,推荐系统应运而生,个性化推荐可以为用户带来便利与良好的使用体验,还可以为商家带来巨大利润。因此,推荐系统的研究十分具有价值和意义。目前深度学习进入大众视野,成为当前的研究热点,将深度学习算法应用到推荐系统中,具有广泛的应用前景,能够为电影推荐系统的使用者提供准确且具有高惊喜度的电影推荐列表。深度学习模型中的GAN模型可以用在图像处理、自然语言处理等领域,其中用在信息检索领域的IRGAN模型生成的数据是离散且有限的,用在推荐系统领域具有局限性。为了充分利用传统GAN模型生成向量的对抗训练优势,将协同过滤算法(CF)用在GAN模型中,采用基于GAN模型的协同过滤算法——CFGAN模型,向用户提供其可能感兴趣的top-N推荐。同时为了满足用户对多样性的需求,提高推荐系统的惊喜度,又在CFGAN模型的基础上,结合DPP模型,采用成对训练的对抗方式,实现融合多样性与相关性的改进的CFGAN模型,改进后的CFGAN模型在不损失相关性的情况下可以为用户提供多样性的推荐列表,设计出一个既满足系统准确性又满足多样性的电影推荐系统。本文以MovieLens 100K电影数据集为基础数据集,对CFGAN方法进行研究并与传统推荐算法进行比较实验,然后对与DPP模型相结合的CFGAN方法进行研究与实验,研究与讨论了与传统推荐算法相比,融合多样性与相关性的CFGAN模型进行推荐的有效性,其提升了推荐算法的多样性与用户惊喜度;同时还对在线用户的行为数据进行计算,并将其作为评分数据集,来训练改进后的CFGAN模型,从而实现基于混合算法的电影推荐系统。另外,由于推荐系统的用户不断增多,电影市场当中的电影资源数据不断扩大,以及系统内存在着大量计算,故使用大数据处理框架Hadoop、Spark等,采用基于改进的CFGAN模型的离线推荐与对实时用户操作行为进行计算的在线推荐混合推荐的方式,并对推荐系统进行界面展示与系统测试,以验证推荐系统的可行性。与传统的电影推荐系统相比,本文所设计的电影推荐系统提升了系统的实时准确性、稳定性与高效性,推荐结果更加多样化,改善了用户体验。