近年来计算机技术蓬勃发展,由此带动的信息技术革新也再次定义了传统视频行业。由于网络信息在人类日常生活中占据了巨大的比重,同时伴随着网络科技发展日新月异,人们的日常生活日益被大量视频资源占据。需要在具有海量信息量的视频中获得有价值的信息往往十分麻烦,由此产生了信息过载问题。为了克服信息过载的技术难题,各大视频网站研发了推荐系统模块。推荐技术的诞生,在极大程度上提升了个人用户和视频服务平台的互动性,从而增加了网站用户黏性。传统推荐算法中,协同过滤算法是一个体现了群体智慧的设计思想,可以通过相似用户或者相似物品进行个性化推荐。然而,传统协同过滤算法仍然有不少局限性,面临着数据极度稀疏以及用户兴趣偏移等问题。与此同时,随着用户与视频资源的爆炸性增长,这个问题会越发严峻。在结合上述背景的情况下,本文所做工作主要包含如下几点:（1）为解决用户-视频评分矩阵稀疏问题,本文引入用户对视频类别的偏好信息。根据用户原评分数据和视频类别间的对应关系来构造用户-视频标签矩阵,对原评分矩阵数据进行有效降维。为了提高计算过程中最近邻居的搜索效率,对用户-视频标签矩阵中采用K均值聚类算法,得到目标用户所在簇类,并将其作为目标用户近邻集合的搜索空间。（2）为解决用户兴趣偏移的问题,在遗忘曲线规律启发下,引入时间权重函数,对原评分预测公式进行改进。使得时间过去越久的评分权重越小。最后,将引入时间权重后的算法与融合视频类别标签的协同过滤算法相结合得到新的融合时间权重函数的协同过滤算法。（3）为验证改进算法的性能,在MovieLens数据集上进行多次实验验证并分析。实验结果表明,对比传统协同过滤,本文提出的融合时间权重函数的协同过滤算法能够一定程度上缓解稀疏性问题,提高推荐准确性。（4）在前文研究成果和实践的基础上,搭建了一个简单的视频推荐系统,用于检验本文提出的改进算法在现实应用中的有效性。