随着多媒体和互联网技术的融合发展,短视频以其时长短、内容精练等特点获得广大用户的喜爱。自2010年开始,短视频开始逐渐出现在人们的视野当中,短时间内立刻吸引了大量用户的关注,与短视频相关的话题数据持续增长,成为了当下互联网最为主要的流量入口之一。与之相呼应,研发并应用短视频推荐算法成为各大网络平台吸引用户的重要方式。个性化推荐算法就是根据每个用户的基本信息以及社交信息等,推测出每个用户的不同偏好,进而为用户推荐最合适的内容。推荐算法的优劣性将会直接影响推荐的准确率与效率。短视频具有时间短、内容标签较少的特点,因此现有的推荐算法在短视频的推荐中准确率不高、效率较低。并且用户的兴趣是随时变化的,推荐的过程中需要时刻考虑用户的兴趣变化。设计最为合适的短视频推荐算法,为用户提供最感兴趣的短视频内容,成为目前短视频推荐研究中的热点。本文基于上述分析对短视频推荐方法开展研究,提出了一种融合视频内容与弹幕分析的短视频推荐方法,该方法包含融合视频内容与弹幕分析的短视频预处理方法和结合用户长短期兴趣的短视频推荐模型两个部分,下面分别对这两部分的工作加以介绍:一、融合视频内容与弹幕分析的短视频预处理方法。短视频与长视频相比,时间短且内容丰富,传统的推荐方式应用于短视频推荐时准确率不高。为了解决这个问题,本文提出了融合视频内容与弹幕分析的短视频预处理方法。该方法首先对弹幕文本进行文本分析,通过LDA主题模型确定弹幕文本的主题;然后通过深度学习方法分析短视频的内容特征,通过双层CNN的处理架构,不仅能够最大化的获取短视频的内容特征,同时也能够保证处理效率;最后根据用户最近看过短视频的高光时刻确定其所属主题,进而产生相应的候选推荐列表。二、结合用户长短期兴趣的短视频推荐模型。用户的兴趣可以分成两种:长期兴趣与短期兴趣。用户的长期兴趣较为稳定,但是短期兴趣会随着环境、心情等随时发生改变。区分用户的长期兴趣与短期兴趣,同时考虑长短期兴趣之间的关系,才能够提高短视频推荐的准确率。因此,本文提出了一种结合用户长短期兴趣的短视频推荐模型。首先,通过艾宾浩斯遗忘曲线与其他时间权重曲线进行用户长短期兴趣的判定;之后,分别将用户的长期兴趣与短期兴趣通过RNN以及GRU模型进行处理,通过RNN处理用户的长期兴趣,保证用户长期兴趣的稳定,而用户的短期兴趣则是随时变化的,利用GRU的更新门进行更新;最后,通过α参数确定用户长期兴趣与短期兴趣之间的关系,产生最终的推荐列表。为了检验本文所提融合视频内容与弹幕分析的短视频推荐方法的有效性,本文使用两个不同的数据集进行实验。采用准确率、召回率、F值以及MRR平均倒数排名等评价指标,与多个主流短视频推荐方法进行对比。实验结果表明,本文所提方法具有更好的准确率和执行效率。