当代Internet急速发展,电子商务随着计算机科学的发展正在迅速崛起,给予用户带来便利的同时,信息超载问题在智能化演进过程中也越发凸显,信息过滤的智能代理工具——推荐系统(RS)应运而生。推荐系统收集、学习用户的信息,研究用户的偏好,并为用户提供更准确和全面的信息推荐服务,以便用户能够以最低的成本获得他想要的信息。通过整合和优化资源赢得用户和商家获得共利局面的个性化视频推荐系统,协助用户从Internet的庞大数据信息中自动获取符合其兴趣偏好和需求的视频,保证用户体验的同时提升商业利益,实现资源价值最大化的呈现。主要工作如下:第一,针对传统推荐方法中评分项目存在的数据稀疏问题,提出一种基于Funk SVD的改进模型。采用随机梯度下降法求解最小损失函数SSE。加入正则化因子提升求解效率并建立对未评分项目的偏好预测模型,解决数据稀疏造成的缺陷,从而提升推荐准确度;第二,针对用户之间的信任关系可能对推荐结果造成的影响方面,采取把信任关系作为推荐权重引入到预测评分中的策略,提高算法在可解释性推荐方面的精度;第三,针对传统算法过分依赖历史数据从而诱发冷启动问题,采用把用户特征中的年龄和性别分别引入到用户相似度计算过程中的战略,用来修正用户的相似度以准确定位最近邻居集进而解决用户冷启动问题;另外在项目相似度中引入项目特征中的电影类型进行计算,修正项目相似度以精确定位最近相似项目集从而解决项目冷启动问题;第四,综合上述策略提出一种基于信任度融合矩阵分解和挖掘用户项目信息的CF推荐方法,综合考虑全局和局部特征对推荐质量造成的影响,在Movie lens数据集上进行对比实验,结果表明本文提出的算法在推荐准确精度方面更优越。