随着4G、5G时代的来临和大数据技术的发展,各类视频软件兴起,逐渐成为人们生活学习中不可或缺的应用之一,推荐系统也在“信息过载”的背景下起到越来越重要的作用。本文旨在为某视频应用设计和实现一个有效的视频推荐系统,并对系统中使用的推荐算法进行优化,以提高用户点击率和转化率。推荐算法本质上是对用户的兴趣偏好进行建模,以此来选取用户可能感兴趣的内容推荐给用户。而当前主流的点击率预估模型,大多直接将用户的点击行为作为用户兴趣的反映,这一做法并不准确。在视频推荐场景下,用户对视频的观看时长则包含了更多的信息,因此本文考虑利用用户观看时长辅助兴趣模型的训练。为降低视频原时长对观看时长的影响,本文将观看深度引入模型,通过用户兴趣向量拟合用户的观看深度,作为附加损失参与模型优化,对用户兴趣抽取部分参数起到正则化作用。整体模型采用深度神经网络结构,并通过注意力机制挖掘用户历史行为之间和与预估目标之间的相关关系。该模型也同其他主流算法进行了对比实验,结果表明优化模型在GAUC上有一定提升。此外,本文设计并实现了一个视频推荐系统,为某视频应用提供推荐服务。系统共包括五个模块,分别是数据采集模块、数据存储模块、推荐计算模块、请求处理模块和推荐管理模块。为缓解推荐系统的冷启动问题和数据稀疏问题,提高推荐列表的覆盖率和多样性,优化用户体验,系统采用混合推荐方法,应用多个不同类别的推荐模型,同时考虑到推荐系统存在多个优化指标,推荐计算模块融合层通过融合公式对推荐指标进行计算,产出统一的推荐分数。推荐系统开发完成后,本文还进行了系统测试,验证了系统的功能及性能符合预期要求。