随着互联网技术的迅猛发展,人们对互联网的依赖愈加明显,其已遍布人们日常生活中的点点滴滴。为了给人们枯燥、乏味的生活添加一点乐趣,各大视频网站提供了数量巨大、种类繁多的电影资源让用户去观看,故在每次观看电影的时候,用户都需要耗费大量的时间来挑选出符合自己喜好的电影。为了解决这一问题,研究者们纷纷将个性化推荐技术应用于电影视频行业中,其结果表明,该技术确实能够有效地缓解信息过载问题,从而提高了用户的使用体验感,并且增加了用户对系统的使用粘性。目前,深度学习技术发展得如火如荼,并且已经在很多领域都取得了杰出的成果,因此,运用深度学习的方法展开个性化电影推荐系统的研究,其具有重要的现实意义和使用价值。首先,本文对一些传统的推荐算法以及它们各自存在的优缺点进行了简单地阐述;其次,根据电影推荐系统中存在的用户历史行为数据进行分析,并且为了让推荐的结果更加契合用户的喜好,文中引入了社交网络,进而构建数学模型;再次,考虑到评分预测的精确度也会影响到电影推荐系统的整体性能,便引入了自编码器,其就是将原本用于电影评分的数据进行重新构造,从而得出较为精确的电影评分;最后,采用豆瓣网站的电影数据作为数据集,将传统的基于项目的协同过滤算法、基于马尔科夫链的推荐算法以及基于NTM神经网络的推荐算法进行实验对比,结果表明,基于NTM神经网络的推荐算法在准确率、运行平均响应时间等方面的效果更佳。利用实验结果较优的NTM神经网络作为推荐算法,设计并且完成了基于NTM神经网络的电影推荐系统,最后,对实现的电影推荐系统进行了功能和性能的测试,验证该系统确实可以为用户提供更具个性化、更符合自己喜好的电影。