大数据的迅速发展和信息的过度丰富给信息筛选带来了巨大的挑战,为了挖掘各种人的不同偏好、观点、价值、品味,一个好的推荐系统不得不考虑喜好的多样性以及信息的实用性。推荐系统的目的就是生成一个排好序的推荐列表(或者top-N推荐列表)来反映每个用户的偏好。现在很多工作都是基于用户的显式反馈数据来做的,例如电影评分。但是在现实场景当中往往不只含有显式反馈数据更多的是隐式反馈数据,即没有明确评分的数据,例如点击、观看、购买等行为。本文主要针对电影推荐系统做了一些研究,研究中发现,对于电影数据而言通常有如下两种:一种是显式反馈数据,这种数据是用户给予了明确评分的数据。但是对于电影网站而言,从网站的系统日志中也能发现另一类数据,即隐式反馈数据,它包括用户的点击行为、用户的浏览记录和用户虽然观看但未给过评分等情形。本文主要针对这两种数据分别进行了研究。针对显式反馈数据创新点一:提出了一种混合协同过滤框架模型。本文针对推荐系统的准确性提出了一种优化算法,该算法首先利用用户的特征进行聚类,然后在聚类之后的各个聚簇中运用混合协同过滤框架为每个聚簇训练一个模型;同时在运用混合协同过滤时,针对传统的基于用户的协同过滤推荐算法,在用户相似度的计算方法上进行了改进。实验结果表明提出的算法可以提高推荐的质量。针对显/隐式反馈数据创新点二:针对隐式反馈数据,RendleS提出了一种贝叶斯个性化排序(BPR)的算法,针对BPR算法收敛慢的问题RendleS又提出了一种改进算法AOBPR,可是该算法不能利用显式反馈数据。为了同时利用两种类型的数据,本文提出了一种将AOBPR模型与最经典的基于矩阵分解的SVD++算法相结合的算法AOBPR_SVD++。通过在两个真实的数据集中进行实验,表明改进后的算法在一定程度上提高了推荐的准确率。