随着网络中视频信息的爆炸性增长,人们在享受着庞大的信息量的同时,也会对视频的选择而感到迷惘,并且随着视频领域的竞争逐渐激烈,公司是否能够为用户提供更完善的服务将直接影响到公司的发展。因此,出现了个性化推荐技术,该技术基于用户的数据,如用户基本信息、用户兴趣、浏览记录等,为用户提供准确的视频推荐,推荐算法的种类繁多,方法各异,但大都没有充分利用用户的影评信息,如何将优质的评论信息利用到视频推荐领域成为本篇论文解决的主要问题。首先通过编写爬虫爬取了相关的数据信息,包括:豆瓣网1920部电影的基本信息,每部电影500条左右的评论信息;网易云音乐9103条音乐信息;555中文网1768条小说信息;17173游戏网774条游戏信息;其次分析了传统的协同过滤算法的缺点,根据爬取到的数据集设计了基于用户评论信息的推荐算法。搭建Hadoop和Spark的分布式计算框架,基于此框架使用了Word2Vec中的CBOW模型来生成语料空间中电影名称的向量表示,因为向量的生成过程是一种上下文相关的形式,可以近似的用电影名称的向量来代替这部电影,之后通过欧氏距离来计算电影之间的距离即相似度;最后按照MVC设计模式的思想,以网站的形式来作为泛视频推荐系统的最后实现。本系统可以根据用户的浏览记录为用户进行视频推荐,推荐结果不仅包括狭义上的电影、电视剧,还包括音乐,小说,游戏等多种与视频相关的资源,从而实现了一个高体验度的推荐系统。