近年来,随着移动互联网的普及,中国网络视频行业迈入了发展的快车道,行业规模的高速增长。据中国互联网协会发布的数字,2018年中国手机网民达到8.17亿,占全部网民的98.6%,同时网络视频用户达到创纪录的6.12亿人,在线视频行业市场规模达2016.8亿元,同比增长39.1%。对于网络视频平台来说,日益增长的用户量和播放量,在带来更多的经济效益的同时,也对推荐系统提出了更高的要求。相似视频推荐是视频推荐系统中的一个重要的落地应用,常见于各大在线视频网站,当用户点击进入一个视频的播放页面后,无需返回即可以沉浸式浏览与当前视频最相似的视频。相似视频推荐大大提高了用户体验,同时也是用户在视频网站消费的主场景之一。相似视频推荐的主要目标是计算视频之间的相似性,也即如何将与特定视频最相似的视频推荐给用户。推荐的过程主要分为两步,第一步是生成视频的嵌入向量,如何让向量最大程度上保留视频的特征是视频相似推荐最关键的问题,第二步是进行相似性搜索,最常见的做法是基于余弦相似度搜索得到相似性最高的数个视频,作为推荐结果返回。对于在线视频来说,有两类重要的信息,一类是播放记录,它记录的是用户与视频之间的互动,由于短时间内用户的兴趣相对稳定,所以如果两个视频在播放序列中先后连续出现,那么这两个视频就很可能存有一定的相似性;另一类是视频本身的属性,其中一个重要的属性是视频的标签,它类似论文的关键词,每一个标签都是视频内容的写照,如果两个视频有着相似的标签,那么它们在内容上就会有一些相似之处。目前的研究大多独立地利用以上两种信息进行推荐,而不能很好地将其联系在一起使用。基于以上思考,本文提出了一种基于图嵌入的相似视频推荐方法,它可以很好地利用用户播放记录信息和视频标签信息来生成视频向量,得到视频的向量表示后再使用基于余弦相似度的k近邻搜索进行推荐。为了更好地融合标签信息,模型拆分成两个子模型,第一个是基于深度游走的标签向量化模型,对过往从文本挖掘角度难以处理的标签特征,巧妙地用图嵌入方法进行建模。第二个是融合了前者输出的视频向量化模型,它在接受视频序列信息之外,还能够接受输入视频的任意数量的标签信息。最终,两类信息互为补充,在提升模型效果的同时还可以一定程度上缓解新视频的冷启动问题。