随着智能移动设备的普及和网络视频产业蓬勃发展,网络视频的种类日趋丰富、数量不断增长,但是也给用户造成了严重的视频信息过载问题,因此视频推荐系统应运而生。然而传统的视频推荐算法,存在数据稀疏、视频情感分析缺乏、推荐准确率低的问题。针对这些问题,本文提出了基于弹幕情感分析和用户聚类的视频推荐方法。首先,通过对视频弹幕评论进行情感分析,以解决传统推荐算法对视频的情感分析不准确的问题。然后构建用户的情感特征矩阵(USFM),并通过该矩阵使用AP聚类算法进行用户聚类。最后,结合本文定义的视频推荐指数过滤冷门视频,向用户进行视频推荐。具体研究内容分为以下三个部分:第一,弹幕评论情感分类。弹幕评论具有内容简短和语法碎片化的特点,而传统情感分类方法对此类文本分类效率及准确率低。因此本文提出基于扩充情感词典和语义规则的方法对弹幕评论进行情感分类。首先将网络情感新词加入基础情感词典中,同时构建了程度副词词典等相关词典,然后以情感词为中心对视频弹幕评论进行语义规则提取并计算情感值,从而实现弹幕文本情感的有效分类。第二,视频用户聚类。如何对相同偏好的用户进行聚类,是视频推荐的一个难点。基于弹幕评论情感分类,本文首先提取弹幕情感特征,提出了单用户-单视频的情感特征向量(SFVuv),并在SFVuv基础上进一步抽象出了用户情感特征矩阵(USFM),最后通过欧式距离计算用户相似度,使用AP聚类算法进行用户聚类,输出用户聚类集合。第三,视频推荐算法。相同情感特征的用户通常有类似的视频偏好。统计同一聚类集合中其他用户看过的视频,并通过视频热度和发布者权威度,计算这些视频的推荐指数。过滤推荐指数偏低的视频后,对用户进行视频推荐。通过对提出的视频推荐方法的分析和验证,本方法在弹幕评论情感分类、视频用户聚类和视频推荐算法上具有一定的合理性,能够准确高效的把满足用户情感偏好的视频推荐给用户。在视频网站视频规模庞大的情形下,能够大大减少用户挑选视频的时间成本,提高用户效率。图[31]表[23]参[67]