随着互联网和通信技术的快速发展,越来越多的用户更倾向于在互联网上观看在线视频。然而,随着各网站视频数量的飞速增长,信息过载的危害也随之而来。用户在面对互联网上海量的视频资源时,往往会难以快速寻找到自己感兴趣的视频。为了从这些视频中筛选出符合用户兴趣的视频,推荐系统必不可少,视频推荐也因此越来越受到学术界和工业界的关注。与其它商品往往具有明确的属性和关键词不同,在线视频难以通过明确的属性和关键词来直接确定其特征。传统的视频推荐方法往往忽略了用户之间的高阶关系,也没有对不同粒度的特征进行很好的结合,这会导致信息丢失或信息茧房问题,从而使推荐性能不够理想。针对以上问题,本文主要进行了基于超图和多特征融合的视频推荐方法的研究,主要工作如下:首先,在视频推荐的召回阶段,提出了基于用户视频交互的多特征融合候选集召回方法。该方法通过对视频类别、标签等进行粗粒度的建模以减少信息茧房问题,并将其类别、标签视为关键词提取词级语义以获得词向量来表示视频信息。根据注意力机制,将用户历史交互记录中的不同视频分配不同的重要性,并且通过用户特征向量与目标视频特征向量的相似度对比获得视频候选集,以实现视频推荐的召回。然后,在视频推荐的排序阶段,提出了基于超图卷积的多特征融合视频推荐方法。该方法根据用户-视频-标签的关系进行特征表示,并用多层感知机将高维稀疏向量降维,再将用户视为结点进行超图构造,根据得到的超图结构基于谱方法进行超图卷积,通过将结点上的信息聚合到超边上再聚合到结点上来传递以进行特征的更新。根据注意力机制,对用户的历史交互记录建模,以提取用户侧项目表示特征,并将用户侧特征进行融合表示,由此在之前得到的视频候选集中进行排序以得到视频推荐列表。最后,根据前文提到的基于用户视频交互的多特征融合候选集召回方法和基于超图卷积的多特征融合视频推荐方法,本文在真实数据集上进行了仿真实验和分析论证了其可行性和有效性。并且,为了实现理论方法和实际应用的结合,本文设计并实现了基于超图的多特征融合视频推荐方法的原型系统,包括了需求分析、整体设计、具体设计和操作流程等,进一步论证了该方法的性能。