互联网的飞速发展给人们带来了极大的便利的同时,也出现了相应的问题,就是所谓的“信息过载”,在这个信息爆炸的时代,各种信息日益丰富,如何从浩瀚的信息中找到自己想要的信息变成了一个研究热点,电影作为人们的娱乐项目之一,也存在着选择困难症,为了解决这个问题,个性化推荐系统出现了。当下最流行的推荐系统的推荐算法为协同过滤,该算法模型简单,容易理解,但是在实际的运用中,面对用户数据的稀疏性,推荐质量的下降成了一个问题,本文研究分析当下的主流推荐算法,并对其优缺点进行总结,考虑电影评分本身的特性,利用非负矩阵分解算法对数据进行预处理,提出一个改进的协同过滤算法。本文的主要研究工作如下:(1)首先简单介绍了推荐系统的相关背景和国内外的研究情况以及推荐系统近些年的发展情况。(2)分析了当下比较主流的一些算法,例如简单且经典的协同过滤算法,基于矩阵分解的SVD算法与曾在kdd cup比赛上大放异彩的SVD++算法以及能够综合各个算法优点的混合推荐算法模型,对上述算法进行重点研究,总结各个算法的优点和存在的问题,为后文的实验部分作铺垫。(3)针对现在算法存在的缺点,结合电影评分出现负评分是没有意义的,本文提出了一种基于非负矩阵分解的推荐算法,其思想是先对现实存在的稀疏数据集进行非负矩阵分解,目的在于降低数据的稀疏性和降维,再聚类进行近邻推荐。(4)在Movielens数据集上对改进的算法和传统的算法进行算法性能的比对,研究参数对算法的影响,验证了改进算法相较于传统算法的有效性。(5)基于改进的算法,实现一个电影推荐原型系统,从系统需求分析到数据库的设计最后到原型系统的实现,并对原型系统进行了测试。