互联网技术的飞速发展导致数据问题日益加重,推荐算法成为了解决信息过载问题,高效利用数据和提升用户体验的主阵地。电影行业随着互联网红火发展,每个电影平台都包含着海量的电影视频,而且每年都有上千部新电影上映。虽然推荐算法中的协同过滤技术已经在电影领域得到了应用,但是大多数推荐算法主要提取用户具体的行为信息作为推荐预测依据,随着电影的规模种类越来越丰富,用户行为数据规则差、算法准确率低、用户信息利用率不高等不足日益突出。针对推荐算法的准确率和用户信息利用率不高的问题,本文利用电影特征标签和评分数据规则性强,信息准确度高等特点,提出一种基于用户行为和电影特征标签的推荐算法,引入电影特征标签权重计算预测评分,并根据共同评分用户数和分类选择改进电影相似度计算方法。通过对比实验表明,在采用MovieLens数据集的情况下,融合影片标签算法的物品覆盖率达到87.62%、推荐结果准确率达到61.07%、推荐结果召回率达到36.39%,有效提升了算法性能。本文具体研究工作如下:（1）引入电影特征标签,通过建立用户-影片-特征标签矩阵,重新构建用户的兴趣特征模型,通过用户对特征标签的喜好程度计算影片的推荐预测评分,提升了算法对用户数据的利用率,构建更加精准的用户喜好模型。（2）为了更好地优化电影相似集合,使推荐结果更加符合用户喜好。本文将在对数似然比算法的基础上,以电影之间的用户评分数量作为统计量,对电影的相似度量算法进行改进,并且结合KNN算法的分类思想和相似度阈值的设置,对相似电影集合进行分类选择,提高相似电影集合与用户的匹配度。（3）从MovieLens网站获取专业电影信息数据集进行对比实验,并选取物品覆盖率、准确率、召回率作为本文推荐算法的性能衡量指标,将改进后的推荐算法与TF–IDF算法、基于物品的协同过滤算法进行算法性能对比实验,通过分析实验结果,证明本文的改进方法可以提高推荐性能。