本文以大量视频节目数据的推荐和检索为基础,进行视频推荐系统的研究,目标是建立一个完整的视频推荐系统,我们以已有的研究成果为基础,研究并设计了一种适合处理大规模视频数据的视频推荐系统,增强了用户对视频推荐系统的体验度,也提高了视频推荐的准确率和召回率。本论文主要的工作如下:(1)本文对建设视频推荐系统所需要的理论、相关的技术成果和推荐算法进行深入研究。在对前人的研究成果和相应的视频推荐算法进行深入分析和研究之后,以开源机器学习框架Mahout和Hadoop云计算平台为基础,提出一种改进的混合推荐模型,并进行视频推荐系统的设计和实现。(2)本文设计的视频推荐系统是“基于Hadoop和Mahout的视频资源混合推荐模型”。推荐模型的算法包括协同过滤推荐算法、热门视频的推荐、针对新用户的推荐和视频资源的交叉推荐等,本文将各种推荐算法产生的视频推荐列表按比例抽取,形成总的推荐列表,并经过去重、基于用户的预测评级排序和选取top-N等过程,形成最终的视频推荐列表,并推荐给用户。(3)本文以上述推荐模型为基础完成视频推荐系统的构建,视频推荐系统分为三个部分:日志系统负责视频数据和用户行为的存储,推荐引擎负责为用户进行视频推荐,展示界面与用户进行交互。这三个模块相互配合,以达到视频推荐的目的。(4)本文以视频推荐系统的测试和评价指标对视频推荐系统的性能进行评测。可以发现改进后的混合视频推荐模型不仅在视频推荐的准确率和召回率方面有所提升,更是很好的了视频推荐的“冷启动”和“稀疏性”问题,提高了视频推荐的效率和用户的体验度。