由于Internet具有信息传输的开放性信息交流的双向性，以及信息覆盖的广泛性等特点，网络中信息量以指数规律迅速扩展和增加，网络上的信息过载和信息迷航问题日益严重。解决这些问题的关键在于将Internet从被动接受浏览者的请求转化为主动感知浏览者的主动信息服务，推荐技术应运而生，成为目前众多学者和网络用户关心的核心技术。推荐系统通过预测用户对信息资源的喜好程度来进行信息过滤，根据用户具体需求通过协同过滤等技术进行个性化推荐。根据这一基本原理，推荐系统产生了各种不同算法。在众多算法中，协同过滤推荐是迄今为止最为成功也是应用最广泛的个性化推荐技术。协同过滤的概念被广泛应用于各个领域，如电子商务、社交网络、图书推荐、电影推荐等。

当前,随着我国经济发展速度的不断加快,以及人们生活水平的显著提升,使得人们的个性化需求增多。电影，作为娱乐的重要组成部分，越来越受到大众的欢迎，特别是受到年轻人的喜爱。但是，如何在海量电影中找到满足自己喜爱的电影却成为一个难题。随着计算机技术与网络技术的发展,众多娱乐与服务形式逐渐融入到网络之中,从而形成全新的网络化模式，各类电影网站逐渐兴起。在电影网站发展伊始，电影推荐就应运而生。电影推荐根据当前热门电影及用户的个性化数据，为用户提供个性化的电影推荐，从而增加用户黏度，提高网站流量，是各大电影网站极为重视的功能之一。对于在线电影提供商，在线影片推荐系统的推荐效率会直接影响公司的经济效益，同时对公司的发展产生重要的影响。根据这种现实需要，设计制作一个电影推荐系统便成为一件非常有价值的工作。

传统的推荐方法主要是向用户推荐与用户所购买商品内容相同或相关的商品，这种方法也起到了很好的推荐作用，比如你刚看完某个教授的某个讲座，下面就会向你推荐一系列该教授的相关视频，这在百度、Google里观看完视频后经常见到，后来通过研究发现这种推荐方法并不是很好，开始有人提出了相似用户的概念，就是根据影片的用户评分的相似性进行推荐。

国内目前的研究多集中在推荐系统的理论和技术方面，取得了丰硕的成果。针对评价数据的稀疏性，有学者提出一种优化的协同过滤算法，也有基于项目评分预测的协同推荐算法，采用一种新颖的相似性度量方法计算目标用户的最近邻居。针对算法的可扩充性，也有相关文献提出基于项目聚类的协同过滤推荐算法，显著地提高推荐系统的推荐质量。以上各类推荐技术都各有优缺点，因此许多研究者提出结合多种过滤技术，以克服各自的优缺点。例如基于内容和合作模式的信息推荐机制，基于语义相似性的资源协同过滤技术等。

2. 研究的基本内容与方案

基本目标：基于JSP设计与实现一个电影推荐系统，在对电影信息进行有效管理的同时，还能够为用户提供有针对性的电影资讯推荐服务。

基本内容：帮助用户从海量电影信息中解脱出来，自动地向用户推荐出用户感兴趣的电影，避免让用户陷入过多信息干扰。主要研究内容如下：

1. 协同过滤

协同过滤(Collaborative Filtering)作为推荐算法中最经典的类型，包括在线的协同和离线的过滤两部分。所谓在线协同，就是通过在线数据找到用户可能喜欢的物品，而离线过滤，则是过滤掉一些不值得推荐的数据，比比如推荐值评分低的数据，或者虽然推荐值高但是用户已经购买的数据。

协同过滤的模型一般为m个物品，m个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。