依托中国电影市场的蓬勃发展,个性化电影推荐系统需求也应运而生,构建更为精准的个性化电影推荐系统越来越重要。为了克服传统推荐算法的局限性,本文尝试使用神经网络技术,开展基于深度学习的推荐系统研究。使用美国明尼苏达大学(UMN)的Grouplens团队公开的用于测试推荐算法的数据集MovieLens,通过两种角度改进神经协同过滤模型得到两种电影推荐系统模型,主要包括以下工作:(1)提出结合贝叶斯个性化排序算法的改进模型B-NCF。通过构建用户电影偏序对,满足贝叶斯个性化排序算法的前提条件,通过重新设计神经协同过滤神经网络,替换原神经协调过滤模型中的广义矩阵分解层为贝叶斯个性化排序层,使得神经协同过滤模型获得学习隐含排序信息的能力,从而使得贝叶斯个性化排序算法与神经协同过滤模型巧妙地结合起来,本文通过大量对比试验验证新模型的有效性。贝叶斯个性化排序层的引入增强了推荐模型挖掘信息深度的能力,同时增加辅助信息来影响最终推荐得分,因此最终的电影推荐系统满足了从深度和广度来进行电影推荐。(2)提出多元信息嵌入推荐模型M-NCF。由于MovieLens-100k和MovieLens-1m的信息存储格式不同,编写了不同的数据处理代码;为提取有效数字特征,提出一套针对MovieLens数据集的数字化方案,比如像年龄和职业等可以直接映射为相应的数字,电影名通过数字映射再进行文本卷积网络来提取文本信息,通过这套数字化方案解决多元信息融合难题;采用三种神经网络处理多元信息,挖掘数据集所能获得的文字信息和数字信息,最后使用全连接层连接各层神经网络信息得到一个多元信息嵌入推荐模型,解决了传统推荐模型信息来源单一问题;设计多个对比试验证明新模型比原模型学习能力更强准确性更高,并实现多种推荐方案。