互联网的快速发展积累了海量的数据和产品信息,导致了信息过载问题。而个性化推荐日益成为克服信息过载问题的关键解决方案,被诸多新闻媒介和电子商务网站所采用。在当前个性化推荐方法中,基于模型的协同过滤算法因其工程实现简单且通用性强等优点而被广泛采用。但是目前基于传统机器学习模型的协同过滤算法会面临特征提取不充分的问题,推荐准确率往往受到制约。针对这样的问题,本文以电影推荐为例,设计一个基于深度协同过滤的个性化推荐系统,主要的工作如下:一是本文在原始数据集中额外增加了电影简介和以往观众评论中所包含的文本信息来丰富特征空间。首先通过Python爬虫技术得到系统设计需要的文本信息,再借助Word2Vec方法将文本映射为向量表示,然后将向量化的文本信息与电影本身的属性信息融合为系统所需的数据集。二是本文设计了一种深度协同过滤推荐算法(ConvMF-DenseNet),该算法采用深度学习方法中的卷积神经网络作为新的特征提取器,首先将数据集中的特征信息经过数据预处理转换之后,再通过卷积神经网络进行深层次的特征提取,最后将提取到的特征利用传统的协同过滤算法向用户进行推荐。此方法利用深度学习长于数据特征提取和协同过滤算法善于相似度预测评分的优点。将深度学习和协同过滤算法融合后的算法模型体现了上述两方面的优点,使得设计的个性化推荐系统推荐准确率明显提高。三是本文基于浏览器和服务器架构建立个性化推荐系统界面,对用户进行精准实时个性化推荐服务,它易于收集用户的历史行为信息的同时也更加有效提高用户体验满意度,经实验证明,与现有的经典推荐系统相对比,该系统的设计进一步展示了深度学习在推荐系统的应用前景和发展潜力。