随着互联网的快速发展,在线学习已经成为人们学习的重要方式之一,在线学习视频网站为用户提供了海量的教学视频资源。推荐算法可以帮助用户从海量的视频资源中快速找到适合自己的资源,提高用户体验,增加用户的粘性和忠诚度。因此,推荐算法由于其应用的广泛性,逐渐成为一个研究的热门课题。针对传统视频推荐算法中,用户观看视频过程描述不详细导致推荐效率低的问题,本文基于协同过滤推荐算法提出了一种基于用户行为的视频内容质量评价和推荐算法。首先,采集用户观看视频过程中行为的发生和时间点,提取用户对所观看视频所表现出的行为特征;然后,构造神经网络并结合模糊综合评价法综合判定用户对所观看视频的态度,分析用户的兴趣倾向;最后,综合用户对视频的态度和兴趣倾向对用户兴趣倾向进行聚类和相似度评价,根据评价结果进行Top-N视频推荐。本文的研究内容主要有以下几个方面:(1)研究用户观看过程中的行为特征和个人兴趣的关系,提出了一种基于FBP(Fast Backward Partial)的用户观看过程描述方法。该方法通过分析用户观看过程中的行为和时间点,得出快进次数、后退次数和播放时长比,用于分析用户对所观看视频的态度和个人兴趣的关系。(2)针对视频网站缺乏用户观看过程中行为分析和视频内容质量客观评价的问题,提出了一种基于用户行为的视频内容质量评价算法。该算法首先采集用户观看视频过程中行为的发生和时间点,使用FBP模型对用户建模,然后构造用于判定用户对所观看视频态度的神经网络模型,得出用户观看态度,最后根据所有观看某视频的用户态度来客观评价该视频的质量。(3)针对传统视频网站对用户观看过程描述不细致导致所得用户兴趣模糊和推荐粒度粗的问题,提出了一种基于用户行为的个性化视频推荐算法。该算法首先将用户行为数据预处理,运用FBP模型对用户建模,其次通过模糊综合评价法判定用户对视频的态度,分析用户兴趣和观看意图,再次通过C&S模型将用户聚类,使用Jaccard系数计算用户相似度,寻找相似用户间不重叠的视频进行Top-N推荐,最后搭建教学视频网站,采集用户行为数据,验证本文提出的基于用户行为的视频推荐算法的有效性。实验结果表明,在相同的评价指标下,本文算法优于传统的视频推荐算法,具有较高的实用价值。