随着移动互联网的快速发展,近些年来,像抖音、快手等移动短视频平台在中国呈现出强劲的发展态势,同时,在国际上一些短视频平台如Tiktok也受到了广泛的欢迎。然而,由于短视频数量的爆发式增长,使得短视频的“信息过载”现象愈加严重,为了缓解并解决短视频的“信息过载”问题,必须要有有效的推荐算法来帮助用户找到他们感兴趣的短视频。本文所说的短视频,是指强社交性、低门槛性、观看便捷、时长短小的视频,短视频通常在移动平台传播,短视频的这些特性符合移动互联网时代的碎片化内容消费习惯。传统经典的推荐算法基本可分为三类,基于协同过滤的推荐算法、基于内容的推荐算法以及基于流行度的推荐算法。近几年大火的基于深度学习而衍生的一系列推荐算法在本质上也是基于上述前两类,推荐算法进入到深度学习时代。除了基于流行度的推荐算法,传统推荐算法和深度学习推荐算法都是利用用户或物品之间的相似性,将物“类聚”,将人“群分”,因此都能实现个性化推荐。传统推荐算法简单,模型参数规模较小,线上实时性较高,但表达能力弱,深度学习推荐算法表达能力强,能够挖掘数据中更多潜藏的模式,但模型参数规模较大,占用更多的内存、显存等空间资源。且不仅在线下的模型训练时间和测试时间上远高于传统推荐模型,也给线上推荐系统的实时性带来不小的挑战。本文将提出一种基于改进THACIL模型的短视频个性化推荐算法,该算法在原THACIL模型的注意力机制部分做了重要的工作。该改进算法在能够利用深度学习优势的同时,还能相比于原THACIL降低了模型的复杂度,大幅度降低了模型参数规模,在AUC、精确率、召回率等相关指标略高于原THACIL模型的情况下,还能够较大地降低模型线下的训练时间和测试时间,提高线上推荐的实时性。本文提出的模型能够有效地降低了时间和空间资源的占用率。通过对本文所提出的算法和代表性算法进行相关指标的对比分析验证了本文算法的有效性。而且对比了改进THACIL算法和原THACIL算法的模型参数及训练时间和测试时间,结果同样验证了本文提出的算法。