如今互联网已经迅速地发展,2019年全球共产生的数据量约为41ZB。在大数据时代从看似杂乱无章的数据中挖掘出对行业具有价值的信息,为行业带来经济效益是当前的一个热门话题。随着推荐技术的发展,我们可以从巨大的数据量中推荐给用户有效信息,为用户提供个性化服务。目前推荐技术主要分为协同过滤推荐算法、基于模型的推荐算法、基于深度学习的推荐算法等。各类推荐算法都有各自的优缺点,本文根据视频推荐业务的特点设计了基于深度信念网络(Deep Belief Network,DBN)视频推荐算法。本文使用DBN神经网络作为视频评分预测的基础模型,深度信念网络通过利用逐层训练的方法,为神经网络赋予较优的初始值,从而模型经过后续的权值微调可以较快地达到最优解。DBN神经网络通过这种预训练方式解决了传统神经网络初始值的随机性。神经网络模型普遍存在的问题是容易收敛到局部最优,局部最优是神经网络优化的主要难点,所以本文利用布谷鸟搜索算法(Cuckoo Search,CS)对DBN进行改进,寻找更好的网络参数,使模型进一步拟合数据,从而让模型的误差达到更小。针对用户兴趣随时间的变化,运用时间衰变算法模拟用户的兴趣变化,改善推荐的效果。本文使用的数据是Movie Lens网站中的Movielens-1M和Movielens-latest两个数据集,对实验数据进行数据质量分析、特征提取、特征分析等操作。将处理后的数据作为视频推荐算法的训练数据,训练本文的视频推荐算法。为证明本文CS-MLP-DBN推荐算法的有效性设计了四个对比实验,实验结果表明本文提出的CS优化DBN模型与其他优化算法相比模型的误差更小,误差收敛所需要的迭代次数较其他优化算法更少。算法在解决长尾数据问题也有较好的表现,算法预测视频评分的误差较对比实验的两个推荐算法分别降低了4.68%、8.71%,推荐结果平均多样性比率较对比算法分别提高了4.52%、15.02%。所以本文推荐算法在预测视频评分和推荐结果的多样性具有较好的表现。