伴随信息技术和互联网应用的发展，人们逐渐从信息匮乏时代迈入了信息过载（information overload）时代。在视频业务系统为代表的互联网资源信息平台中，传统的搜索技术已满足不了用户对网络个性化的需求。个性化网络时代要求资源业务平台能主动分析用户行为，发现用户兴趣偏好，为用户发现符合其个性需求的信息资源。个性化推荐技术正是为了应对网络个性化的这一挑战而出现的。视频资源系统中，用户对视频不同的观看行为决定视频之间流行程度的偏差，视频流行程度呈现出长尾分布，即热门的视频只是整个系统中的少数资源，系统大多数视频资源都是相对冷门的。另外，用户的兴趣偏好不是一层不变的，通过利用用户行为信息中的时间信息可以进一步分析用户兴趣偏好随时间变化的特征和规律。同时，累积的用户评分行为可以体现出用户和视频的某种评分趋向，如有些用户比较苛刻，或者视频品质较差，他们趋向于有较低的评分值。传统视频推荐技术并未考虑上述的客观事实对推荐结果的影响，推荐质量欠佳。本文详细介绍了视频推荐系统及其重要技术。在此基础上，本文就推荐技术的两个核心问题，Top-N推荐和评分预测推荐，针对传统推荐技术的上述缺陷设计了改进的推荐算法模型。首先，本文提出了一种综合利用用户隐性反馈和显性反馈信息的用户偏好建模策略。然后，在此基础上，提出了应用于Top-N推荐的基于用户的协作过滤和基于项目的协作过滤算法，并在基于用户的协作过滤推荐中引入视频流行度权重和用户偏好变化权重因子，提出改进算法。在实验中对比了用户-视频二进制关联矩阵模型下三种算法的性能，实验表明了，考虑视频流行度和用户偏好变化的推荐策略能给推荐质量带来有效提升。其次，针对推荐系统评分预测问题，以用户评分数据稀疏性为切入点，简单介绍了现有的解决方案，并针对其中的典型算法，基于矩阵分解模型的协作过滤算法提出了引入偏置项的改进模型，最后通过实验分析，验证了改进的矩阵分解模型能有效地提高评分预测准确度。