在大数据的环境下,信息过载严重,传统的搜索引擎已经不能满足用户对寻找信息的需求。用户想方便快捷地获取信息,信息生产者也想把信息传递给目标用户,而充当两者之间的中介就是推荐系统。短视频推荐属于互联网推荐系统的应用之一,由于短视频自身具有视频质量参差不齐,附属信息较少,内容标签少,视频的时间较短等一些特征。使之传统的推荐算法不合适应用在短视频的推荐上。协同过滤算法是推荐系统中最成熟的一种算法,针对短视频数据信息缺失和视频内容信息较难提取特征,本文在协同过滤的基础上提出了基于用户行为分析的短视频推荐算法。本文从短视频用户行为入手,主要分析用户在观看短视频的时候有哪些行为,这些行为是否与对短视频的偏好有关。本文分析用户的显性行为和隐性行为。对短视频用户的行为信息进行清洗,并建立用户-视频评分矩阵,来弥补数据稀疏性。通过建立“用户基本信息注册表”和“用户兴趣偏好表”,解决推荐系统冷启动问题。用户对短视频的兴趣会随着时间的改变而发生转移,但在较短的时间内用户的兴趣度基本是稳定的。最近添加的用户行为对推荐预测有着巨大的影响,因此我们采用时间加权调节时间变量。最后根据KNN推荐算法把用户可能喜欢的短视频推荐给目标用户。在短视频推荐领域,通过实验研究,发现本文提出的基于用户行为分析短视频推荐算法在准确率、召回率、F值3个指标上都超过了传统通用推荐算法。本文提出的算法可以让短视频用户更加快捷地获取到自己想看的视频,做到比用户更懂用户的需求。