随着现代社会信息技术的不断发展,餐饮、新闻、购物等传统行业纷纷在互联网中找到自己的载体,人们的生活发生翻天覆地的变化。然而随着互联网上信息过载的现象越来越严重,人们发现越来越难以从互联网上的海量信息中发掘出自己所想要的内容,为了能够更好地满足用户的需求,发掘用户的消费潜力,个性化推荐算法应运而生。目前,推荐系统在互联网的各个领域都得到了广泛的应用,并且为众多企业带来了丰厚的利润。据亚马逊统计,其销售收入中的35%得益于推荐系统的使用,这也吸引了众多互联网从业者和学者投身推荐系统的研究。推荐算法能够通过用户项目特征以及用户行为对评分做出预测,然而随着互联网行业的发展和平台用户数量的激增,传统推荐算法由于无法充分提取用户和项目的特征,推荐效果并不理想。近几年不断有学者将深度学习应用到推荐算法领域,由于深度学习模型具备强大的学习能力,同时能够挖掘出更多数据中的潜藏信息,因而结合深度学习的个性化推荐系统成为了现在推荐算法技术研究的主要方向。数据稀疏和用户兴趣迁移是推荐算法领域一直以来面临的问题,为解决上述问题,本文提出了一种基于协同过滤和深度学习的混合推荐算法,并以该混合推荐算法为基础设计了个性化电影推荐系统,本文主要工作和创新点如下:首先,考虑到用户兴趣会随时间变化,设计了一种共享向量空间的用户-物品兴趣标签,保证了推荐结果的动态性。同时将卷积神经网络与注意力机制相结合,利用注意力机制分析用户对不同类型项目的感兴趣程度,利用卷积神经网络提取用户和项目的高阶特征,提出了一种基于注意力机制的卷积神经推荐网络（Attention based Convolutional Neural Network,ACNN）,具有更强的模型解释能力和更强的信息合成能力,其采用显隐式联合输入的方式,也极大缓解了数据稀疏性。随后通过在Movie Lens-1M和Movie Lens-100k两电影数据集上和Mean、Auto Rec、PMF、NFM模型进行对比测试,验证ACNN算法相比其他主流模型在RMSE和MAE评估指标上均有较大提升。其次,针对电影类型这一标签属性,提出了一种基于电影类型偏好特征的电影推荐算法,其中将对用户对电影类型的偏好和电影与电影类型的关联程度进行建模,再计算不同电影之间的相似度,来预测用户对未知电影的感兴趣程度。随后将ACNN算法和基于电影类型偏好特征的推荐算法同时运用于Top-N推荐场合,两种推荐算法加权组合得出最终的电影推荐列表,以HR和NDCG作为评估指标,使用上述两个数据集验证了混合推荐模型相比FM、Deep FM、x Deep FM等算法模型在排序精度和推荐精度上表现更好。最后,参考网络上热门推荐系统的设计方案,从Movie Lens-100k数据集中获取用户电影信息,以本文提出的混合推荐算法为基础搭建了个性化电影推荐系统,并分别进行了需求分析、数据库设计、架构设计以及功能模块设计,同时设计功能测试,验证了个性化推荐系统的主要功能。