随着智能移动端的快速普及和多媒体技术的发展,视频的数量呈爆炸式增长,带来了严重的信息过载问题。推荐系统作为一种重要的解决方法,不仅可以帮助用户从海量的数据中更快更便捷的发现其感兴趣甚至潜在感兴趣的商品,而且可以帮助内容提供商增加用户粘性。在视频推荐的应用场景下,当前的推荐技术主要面临两个重要的挑战:第一,特征表达受限。当前的推荐模型默认输入特征为相互独立的个体,忽视了特征之间的内部相关性,特征的表达能力不足,从而导致模型的表征效果也不好;第二,视频的多模态内容。传统的视频推荐主要是针对单个模态的内容进行分析,而视频中含有文本、音频、图像多个模态,且各模态之间相互关联,因此如何有效的利用视频的多模态信息成为视频推荐的一个重要挑战。针对上述挑战,本文主要的研究内容有:1.提出了一种基于注意力的双层特征表示模型Bi FR。本文采用多头自注意力机制学习特征的内部表示,挖掘特征之间的内部相关性,从而提升特征的表达能力。其次,通过注意力网络给输入特征的交叉组合赋予不同的权重,从而学习高效的特征交叉表示。最后将特征内部表示和特征交叉表示进行拼接后,通过深度神经网络获得输出结果。对比实验结果验证了该模型的有效性。2.提出了一种基于注意力的多模态特征融合方法。该方法通过注意力网络来学习视频内容中各模态(文本、视觉、听觉)的权重。为了更好的体现用户的喜好,本文将用户特征融入到注意力网络中来引导各模态权重的学习。3.提出了一种基于注意力的多模态视频推荐模型MMVR,该模型同时考虑到基本的交互特征、视频内容特征以及社交特征。首先,通过DeepWalk学习社交特征,以及通过Bi FR模型学习基本交互特征的双层特征表示。之后,将上述两种特征与视频多模态特征进行拼接,并输入到深度神经网络获得输出结果。实验表明,引入多模态视频内容特征和社交特征使得模型整体的性能得到了明显的提升。