从IT向DT时代转变的今天,数据的爆炸式增长,大量冗杂的信息常常给人们的生活工作带来选择困扰,而在这些繁杂数据治理的问题上很多公司和企业也面临严峻考验。因此,为了解决当今大量数据过载及用户选择困扰等问题,该领域研究者提出针对用户特征为其推荐符合用户喜好的产品或服务,但是目前的很多推荐系统仍存在冷启动、数据稀疏、潜在特征不明确、用户与产品交互方式单一等问题,造成推荐准确度参差不齐。为改善上述不足,论文对ConvMF推荐算法进行优化改进,并针对智能家庭影音点播这一场景,创新性地采用智能语音交互与webUI作为该系统的两种交互接口,设计了一个电影播单推荐系统,以满足用户在该场景下播单智能选择的需求。具体而言,论文所做的主要工作如下:（1）为探求用户对电影的评分喜好,构建用户的观影评分预测器,首先分析基于CF的传统评分预测器的不足及优化方式,面向论文研究的影音播单推荐场景,建立用户和电影基本信息特征矩阵,提出了融合多特征信息的MFF-CF推荐算法。经验证发现,该算法获得的评分预测器较传统CF算法评分预测准确性有所提升。（2）进一步研究电影文本简介对用户观影评分的影响,构建词向量模型时,论文在ConvMF深度学习算法基础上增加同域语料库训练的词向量作为Text-CNN嵌入层输入,以增加推荐算法的准确度。（3）考虑用户初始评分的差异化对PMF矩阵分解过程的影响及优化,最后提出基于深度学习的SD-ConvCMF推荐算法,并且对MFF-CF与该深度学习推荐算法进行融合,之后对上述几种推荐算法进行行了实验验证分析。（4）为实现多交互方式的影音播单推荐系统,论文设计了语音和webUI两种交互模式,同时构建电影信息爬取模块、数据存储模块、数据处理引擎模块,并基于上文改进的算法设计推荐引擎模块,最终通过分布式部署实现了一个面向家庭智能影音点播场景的播单推荐系统,并将该系统成功应用到该场景下播单推荐的语音机器人中,为用户的影音点播提供智能化选择。