随着移动设备的广泛使用以及视频网站资源的海量增长,移动端观影越来越流行。移动设备观看影片具有受时间、地点影响小,成本低等优点,但是爆炸式增长的影片资源使得用户难以快速做出有效、准确的观影选择。因此,建立个性化视频推荐系统给予用户优质的观影服务是提高用户的满意度和视频网站的收入的关键。针对上述问题,本文基于运营商提供的用户观影记录和网络影片内容信息对于用户移动观影行为进行研究,取得以下创新性成果:提出一种基于影片客观信息的电影评分类别预测方法。利用知识图谱和自然语言处理领域方法处理影片结构化信息和简介信息,并使用深度神经网络自动学习信息向量特征构建评分类别预测模型。在电影评分三分类预测问题上取得62.1%的准确率和63.9%的F1-micro值,性能优于未改进的Trans R方法和单一信息源模型。最后该模型成功实现“新影片”的评分预测,有效解决新影片评分“冷启动”问题。提出一种结合用户观影记录和影片内容信息的混合推荐模型。该模型在传统协同过滤方法的基础上,加入了影片结构化信息、影片简介信息和影片评论信息等辅助信息,并且利用注意力机制处理不同用户评论。上述信息特征由神经网络自动学习,无需手动特征技术。在用户移动端观影数据集上,该模型HR@10值达到0.564,MRR达到0.307,推荐影片覆盖率达到0.665,性能优于6种传统推荐方法和模型。实验结果表明,结合用户观影记录和影片内容信息能有效提升模型影片推荐性能并缓解“长尾”影片推荐问题。