互联网的出现和普及给用户带来了大量的信息和资源,并且随着人们对于信息可视化、影视娱乐作品需求的增大,大量视频资源开始在网络上传播。海量视频资源在满足人们对其需求的同时,也使得用户难以选择到自己真正感兴趣的视频,因此他们对视频资源的使用效率反而降低了。为了让用户能够及时选择到自己感兴趣的视频,个性化视频推荐服务应运而生,而且已经成功应用在了各大视频网站,如YouTube、优酷、爱奇艺等。随着视频网站的发展,用户在视频网站上通常能够对视频进行多种行为,比如说收藏、分享、下载,而且用户之间还可以互相关注。这些行为和交流的出现为现有视频推荐算法性能的提高带来了新的空间和挑战。介于这种现象,本文提出了一种基于关注关系和用户多行为的图推荐方法。它能精准地计算出每种行为所占的的比例,通过贝叶斯模型提取出有效的关注关系,并在用户行为图上进行随机游走,再把得到的访问概率在用户关注图上进行扩散,最后结合两部分结果将访问概率高的视频类型呈现在用户的推荐列表上。算法性能在本文爬取的优酷数据集和Epinions数据集上进行了测试。在实际场景中,把多个推荐请求组合之后形成推荐请求集合,为推荐请求集合提供推荐服务的算法,叫作联合推荐算法。本文通过分析人们观看视频的时间段和类型的分布情况,找到了两类有效的信息用于联合推荐。另外,尽管现在的视频网站已经积累了海量的用户行为,这些行为有些已经不再代表用户兴趣,因此,需要考虑用户行为权重随时间的衰减性。结合上述两点,本文提出了一种基于随机游走和时间衰减模型的联合推荐算法,计算了用户、视频跟联合推荐的信息之间的关联度,再通过随机游走,获得联合推荐的结果。算法性能在MovieLens数据集上进行了测试。最后,本文设计并实现了一个个性化视频推荐系统,该系统拥有完整的用户功能、视频资源爬取功能、视频搜索功能、在线播放功能、社交功能和推荐系统,并将本文提出的视频推荐算法用在了推荐模块中为用户提供更好的体验。