流媒体一直是互联网中的主流应用,长期以来占据着大量的网络流量比例,针对流媒体服务的优化一直是业界研究的热点问题之一。近年来,随着移动设备的普及、无线传输技术的进步,用户在视频服务方面有了更多的自由度:一方面,用户拥有了随时随地观看视频的能力,视频服务的需求进一步增加;另一方面,用户拥有上传视频的能力,使得网络中视频数量迅速增长,对个性化服务的要求也相应出现。因此,用户的个性化偏好需要被充分的挖掘,以提高个性化服务体验;同时,用户偏好的挖掘给流媒体服务质量的提升,视频传输的优化提供了新的机会。基于上述讨论,本文提出使用聚类信号来强化基于偏序信号的推荐方法,得到多信号融合的视频推荐模型。利用该推荐算法,在“面向智能手机的协同化移动流媒体服务系统”之上,构建了一个缓存机制,在推荐技术保证缓存命中率的基础上利用广播传输有效减少了视频内容在Ad-hoc网络中的传输次数,具体工作内容包含以下两个方面:1.基于多信号融合的聚类推荐模型。自Netflix推荐比赛之后,主流的推荐算法广泛采用了基于模型的协同过滤方法来构建推荐模型。这种模型通过将高维的反馈数据映射到低维的隐含特征空间之中,使得推荐效果大幅提升。然而,许多应用场景之中数据的“稀疏性”和“冷启动”问题十分严重,这些问题严重地影响着模型的推荐效果。为了减少这些问题,主流的思路是寻找更多的数据源头,通过建立共同拟合这些数据源的模型来达到跨领域学习的效果,通过利用更多的数据,使得这些问题在一定程度上得到解决。在视频推荐的场景之中,除了基本的用户偏好信息之外,用户还表现出一定程度的聚类信息,即用户在一个时间段内会观看视频内容或者类别相似的视频。本文通过利用这种聚类信息,强化了传统的基于偏好信息的推荐模型,并提出了“基于多信号融合的分解推荐模型”,为了验证模型的有效性,我们将其与传统算法在真实数据中做了实验对比。实验表明,聚类信息的引入能够有效提升视频推荐的效果。2.基于聚类推荐的视频缓存机制。随着社交网络的流行,以及用户开始对自己上传视频感兴趣,网络中开始更多的视频是时间在10分钟以下的短视频,这些视频的流行让传统缓存方法不再适用。一方面视频时间的缩短使得缓存变得更加困难;另一方面用户开始形成在移动环境下观看视频,缓存比有线环境更为重要。为了对短视频做缓存,第一步是精确判断用户在未来会观看哪些短视频(通常移动设备的存储空间足够容纳几个视频完整或者部分内容),为此我们基于推荐算法判断用户对视频的偏好,通过缓存偏好值高的那些视频,保证了一定的缓存命中率。同时,在“面向智能手机的协同化移动流媒体系统”之上建立一个推荐缓存模块,通过利用无线传播的广播特性,设备能够监听到感兴趣的视频,从而达到一次传输多次满足的效果,进一步减少视频流量在无线自组网中的传输,缓解了无线自组网的信道冲突。