随着互联网的发展,信息量处于一直不断增长的状态。如何从海量的信息中获取所需信息,已经成为一个需要重点关注和研究的课题。传统的个性化推荐算法只能实现一种类型的实体推荐,不能满足一次性进行多种类型实体推荐（即多层推荐）的需求。为此,本文对基于图的多层个性化电影推荐算法进行深入研究。本文通过融合传统的个性化推荐算法PageRank和PersonalRank,提出了一种多层个性化电影推荐算法。进一步地,为了提高算法的推荐效果,分别从不同的角度提出了两个多层个性化电影推荐改进算法。此外,设计实现了一个基于图的多层个性化电影推荐系统,以帮助用户一次性获取多种类型的推荐实体,从而节省时间成本。主要研究内容如下:本文首先对本课题的研究背景和意义进行了概述,并对个性化推荐算法在国内外的研究现状进行了分析。其次,对本文涉及到的相关理论以及使用的技术进行了阐述。之后,完成了本文后续研究将使用的数据集的获取和处理。随后,本文提出了一种基于PageRank和PersonalRank算法的多层个性化电影推荐算法PP-Rank,详细描述了算法的过程和实现,并对该算法的时间和空间性能进行了理论分析。将PP-Rank算法分别与User CF和Item CF等4个传统的个性化推荐算法进行了对比实验,并使用准确率等指标评价实验结果。实验结果表明,本文提出的PP-Rank算法的推荐效果最优。此后,在PP-Rank算法的基础上,提出了一种基于电影特征相似度的多层个性化推荐改进算法PP-SimilarityRank。设计了PP-Rank与该算法的对比实验,并使用准确率等指标评价实验结果。实验结果表明,后者的推荐效果更优。此外,还提出了一种基于边权重值的多层个性化电影推荐改进算法PP-WeightRank,以进一步提高PP-Rank算法的推荐效果。设计了PP-SimilarityRank与该算法的对比实验,并使用准确率等指标评价实验结果。实验结果表明,后者的推荐效果更优。随后,通过将PP-SimilarityRank和PPWeightRank算法两者进行结合得到PP-SWRank算法并实验,使用准确率等指标评价实验结果。实验结果表明,结合后的PP-SWRank算法可达到更优的推荐效果。最后,本文分析了借助Huge Graph完成的基于图的多层个性化电影推荐系统的设计目标,设计了系统架构、模块结构和数据库,介绍了系统开发环境及工具,详细描述了各个模块的实现过程,展示了推荐结果。