随着短视频分享平台的飞速发展,为用户从海量的视频中提供个性化视频推荐服务越来越重要。视频分享平台上的数据多元而全面,不但蕴藏了大量的用户历史行为数据,且视频本身具有多模态信息。然而由于视频的不同模态信息间具有“语义鸿沟”的特殊性,因此现有的推荐方式在运用到更丰富的多模态信息为用户兴趣建模时,往往无法在用户对视频的模态偏好中细粒度地衡量用户对视频的喜好。此外,不少研究者也致力于研究个性化推荐中的精确度,但忽略了推荐的多样性化需求,以较全面的方式评价推荐结果的质量。论文主要研究基于图卷积网络（Graph Convolutional Networks,GCN）的视频推荐方法,主要研究内容如下:（1）针对现有的视频推荐方法只是对多模态特征简单融合,以及现有基于GCN的推荐方法中,在学习用户与视频节点的嵌入表示存在节点噪音干扰问题,设计了一种基于自监督图学习的多模态融合的视频推荐模型。论文提出使用自监督图对比学习的方法,在图卷积网络模型中学习用户和视频的多模态特征表示,最后使用设计的多模态融合“专家”（特指具体的模态名称）模块对多模态特征进行融合。在Movie Lnes-1M多模态电影数据集和Tik Tok的多模态视频数据集进行实验,对比现有模型的方法,实验结果表明在准确率、召回率和NDCG（Normalize Discounted Cumulative Gain）指标上均有显著的提升。（2）针对现有视频推荐方法中只是单一地建模用户对视频的交互关系,而忽略用户具有不同兴趣偏好的问题,以及只采用一般的推荐排序指标评估推荐模型的性能的不足问题,提出了一种基于用户多兴趣的多样性视频推荐模型。本文在自监督图对比学习的视频推荐研究内容基础上,根据用户历史行为序列构建了用户多兴趣推荐模型,设计多兴趣提取模块在多模态视图下提取了用户多兴趣表示。最后在Movie Lens-1M、Tik Tok和Amazon数据集上实验,采用准确性、召回率、NDCG和多样性等指标评估模型,实验结果表明了本文方法的有效性。（3）设计并实现了一个基于图卷积网络的视频推荐系统。基于以上视频推荐模型的研究与实现,本文采用python的Django后端框架和Vue前端框架实现前后端分离的视频推荐系统。该系统包含用户管理、视频管理、推荐搜索和用户互动等功能模块。其中,将以上研究的推荐模型部署在系统中,实现了视频推荐功能,为用户推荐感兴趣和多样的视频列表。