随着移动互联网技术的飞速发展,人们每天都有观看视频的需求,然而面对海量的视频,如何筛选观众期望的视频成为一个难题。近年来关于视频推荐的研究越来越多,传统推荐算法主要有协同过滤(Collaborative Filtering,CF)和基于内容的过滤(Content-based Filtering,CB),然而这些算法通常受限于冷启动问题和特征提取问题。本文将尝试从两个新颖的角度进行思考,以期提高视频推荐系统的准确度。本文提出一种隐式社群视频推荐算法。弹幕评论是一种新颖的观看方式,近年来逐渐在全球流行并被国内主流视频网站所提供。作为一种社会化视频形式,用户可以在观看的同时将自己的想法发表在屏幕上,前后的用户甚至会形成交流,这种文本信息反映了视频的内容。本算法基于弹幕评论提取视频的主题分布,同时假设喜好相同的用户会因为相似的主题聚集在同一类视频,形成一种隐式社群。利用同组用户的历史数据计算推荐序列,可以在一定程度上缓解数据稀疏性问题。本文提出一种多模态视频推荐算法。电影视频通常会包含出品国家、类别等富文本信息,同时相同类型的电影会包含相似的声音及画面特征。本算法分别提取上述特征信息,考虑到在线视频具有更新快、数量多的特点,因此设置了特征降维算法,使低维特征向量依然可以携带绝大部分特征信息,能够降低后续计算的复杂度。通过依次对候选视频特征向量和“用户-特征”喜好矩阵进行匹配,从而生成推荐序列,并可解决新视频的冷启动问题。通过分别与传统推荐算法及混合推荐模型进行对比实验,表明本文所提两种视频推荐算法在相应场景中均能获得较好的准确性与稳定性。