信息时代的互联网和多媒体技术蓬勃发展,在线视频数量及用户数量日益剧增,信息过载成为一个亟待解决的问题。视频推荐系统作为缓解信息过载的有效手段,它使得用户可以从海量的视频中快速获取到自己感兴趣的视频,节省搜索视频资源的时间。同时,视频服务平台可以通过推荐系统提取用户的兴趣,对用户进行个性化精准推荐,提升用户粘性和体验感。因此,推荐系统是用户和平台双赢的桥梁。基于此背景与意义,本文对视频推荐系统展开研究,提出两个基于注意力机制的推荐算法。1)基于注意力机制的电影推荐算法ADeepFM。该算法在DeepFM(Factorization Machine based Neural Network)的基础上引进注意力机制,自适应地学习二阶组合特征的输出权重,解决无效的二阶组合特征可能带来噪声并对模型性能造成不利影响的问题。在计算注意力时,将二阶组合特征向量和目标电影向量均等切分成若干份向量,构成若干个不同的隐语义空间,以此计算注意力权重,细粒度地学习组合特征向量和目标电影向量关系,改善向量元素间的权重平滑问题。最后通过该算法预测目标电影的评分,产生推荐。离线实验分析表明,ADeepFM克服了DeepFM的输出权重问题,在RMSE和MAE评价指标上都高于原来的DeepFM算法。2)基于注意力机制的视频推荐算法SAT2Rec。该算法的推荐过程可以概括为“粗排序”和“精排序”过程。“粗排序”是将用户的历史播放的视频序列类比成自然语言中的词序列,利用连续词袋模型(Continuous bag-of-words,CBOW)提取出连续稠密的视频特征向量,有效避免数据稀疏带来的影响,通过计算视频向量的相似度产生视频候选集。“精排序”是利用注意力机制构建用户的兴趣模型,学习出用户的历史播放的视频与目标视频的关系,以此建立用户的兴趣分布并结合视频的相似度对候选视频进一步筛选,取若干个视频产生推荐。实验表明,SAT2Rec有效结合视频相似度和用户的兴趣分布,在推荐精确率、召回率、AUC值等都高于其他对比算法。