大数据时代,规模庞大的互联网用户在日常生活、工作中产生了海量数据,极大地增加了用户在互联网中搜寻有用信息的时间成本和金钱成本,为了解决这一问题,推荐系统应时而生。推荐系统在帮助用户从海量的数据中高效地捕捉有用信息的同时,还可以帮助服务提供商提高用户忠诚度与经济效益。推荐系统蓬勃发展的同时,视频推荐领域仍面临着以下重要挑战:第一,如何利用视频自身的多模态内容进行更为高效的推荐。众所周知,“大数据”一方面体现在数据量大,另一方面则体现在数据形式多样,视频自身含有的文本、音频、图像等,都可以作为有价值的数据进行挖掘。而传统的视频推荐主要针对用户-视频交互数据进行分析,并未对视频自身的文本、图像、背景音乐等信息进行挖掘,同时传统的视频推荐还普遍存在“冷启动”问题,因此如何利用视频的多模态信息,使之与传统交互数据有效融合,进而缓解“冷启动”问题,提升推荐效果,成为视频推荐领域的一个巨大挑战。第二,多任务推荐。传统的推荐大多面向单任务,而在视频推荐领域,用户可在观看同一视频时进行点赞、评论、收藏、转发等多项行动,即视频推荐面向多任务,因此如何利用有限数据进行视频的多任务推荐,亦成为该领域的重大挑战。针对上述挑战,本文的主要工作如下:总结视频推荐领域的研究现状,根据现有视频推荐场景下较少使用多模态信息,并且较多进行单任务训练的情况,提出一种融合视频自身多模态信息并面向多任务的网络结构MMT:使用基于用户特征引导的注意力机制为视频多模态信息赋予不同权重,将多模态信息与原有交互数据进行有效融合,丰富特征表达;根据实际推荐场景,使用改进的Teacher Forcing机制对多个任务进行联合训练,将多任务的真实结果数据作为指导信息,以此矫正单任务训练过程中的错误。本文在公开数据集上进行实证分析,将提出的网络结构MMT与传统推荐模型进行对比,使用客观科学的评价指标对模型推荐性能进行评估,从多方面验证了MMT在提升视频推荐效果上的有效性,表明融合了视频自身多模态信息的多任务训练能使模型整体推荐性能得到提升,并在一定程度上改善“冷启动”问题。