在互联网高速发展的大环境下,视频编解码、流媒体等各种软硬件技术不断地成熟与完善,使得多样的视频网站、视频App爆炸式袭来,网络中的视频数据与日俱增。在大规模视频数据中高效地检索信息变得越来越困难,个性化推荐由此产生。目前,协同过滤推荐算法由于简单易实现,适用范围广、推荐效果好等优势,在视频推荐中被广泛使用,成为较成功的一种方法。但是数据稀疏性、冷启动以及可扩展性等问题在实际应用中依然存在。协同过滤在推荐时,仅仅依赖于用户项目间的交互评分数据,忽略了项目本身属性特征信息以及隐含特征数据对推荐结果的影响,同时计算项目相似性时未考虑流行度的影响,这些都成为制约推荐效率的因素。针对以上问题,进行了以下研究:(1)为了改善流行度对视频相似性计算时的影响,对基于项目的协同过滤进行了改进,在计算视频间相似性时加入了流行度权重因子,提出了结合视频流行度的popularity＿CF算法。(2)考虑到视频属性特征信息以及隐含数据特征对推荐精度的影响,提出了一种结合视频属性数据的知识图谱推理的PTrans E＿CF视频推荐算法,针对item-based协同过滤忽略视频属性信息及未对隐性特征进行挖掘的问题,本算法使用如下四步解决这些问题。首先,结合知识图谱技术将显性属性信息表示成统一的三元组形式,然后,利用PTrans E知识推理技术,提取出所有的实体、关系并嵌入到低维空间,接着,在低维空间中使用PRA路径排序算法进行挖掘,发现实体间的隐含关系,最后利用第三步得到的信息计算视频间的语义相似性并融入协同过滤。使用该方法有以下三个优点:第一,通过路径发现实体间的关联,对于推荐结果的解释性较强;第二,在计算相似性时,加入语义相似性在一定程度上缓解了数据稀疏性问题;第三,将语义相似性融入到协同过滤中协助推荐,增强了推荐的效率。(3)利用movie Lens100K数据集,通过调节融合参数确定了语义数据融入协同过滤的比例,随后依次对引入流行度权重因子的popularity＿CF算法以及基于知识图谱推理的PTrans E＿CF视频推荐算法的准确度、召回率和F1值进行了评估,实验结果表明本文提出的算法在缓解数据稀疏性上有一定的成效,在很大程度上提高了推荐的精度。随后对PTrans E＿CF的可扩展性进行了测试,实验结果表明,该算法具有一定的可扩展性。