随着互联网技术的发展和普及,网络己成为人们获取各种信息和数字化资源的重要途径。然而,大型网站上日益增多的资源在给用户带来更多选择的同时,也使得用户不得不花费更多的时间来查询自己想要的资源。于是,如何帮助用户更快捷地获得他们所感兴趣的资源己成为当前大型资源网站的关键需求之一。个性化推荐技术的提出为该需求提供了一个行之有效的解决方案。该技术旨在通过研究个体用户的兴趣喜好,主动而及时地为每个用户提供最符合其个人需求的资源推荐服务,以达到协助用户快速定位在线资源的目的。协同过滤推荐技术(Collaborative FilteringRecommendation Technology)是当前最为成功、使用最为广泛的个性化推荐技术之一。该技术基于用户间兴趣需求的相似性来推荐资源,而无需考虑资源的表示形式。然而,传统的协同过滤推荐技术在推荐的准确性和效率方面仍然存在可改进之处。本文在学习和研究协同过滤推荐技术各种已有实施方案的基础上,针对在线视频资源的特点,分别在其推荐准确性和效率方面提出改进。首先,本文提出了一套基于用户观看行为的隐式用户评分获取策略,该策略能够有效地解决严重影响传统协同过滤推荐准确性的评分矩阵稀疏和主观评分不可靠等问题。其次,为了在传统的推荐计算模型中引入时间因素以反映用户兴趣和项目价值随时间的变化规律,进而提高推荐准确性,本文又提出了基于用户兴趣偏差的评分效用衰减函数和基于视频时效性的视频价值衰减函数。最后,本文提出的基于上下文的分布式协同过滤推荐技术通过评分矩阵的分布式存储、上下文信息的获取以及在此基础上的分布式在线推荐,以做到在不降低推荐准确性的前提下,有效地解决协同过滤推荐系统应用于大规模动态数据集时的效率问题。实验结果证明,本文所提出的改进方案能够有效的应用于在线视频资源的个性化推荐中,且与传统的协同过滤推荐技术相比,其推荐准确性和推荐效率均有所提高。本文所提出的各项改进方案均可以直接或部分修改后应用于不同类型资源的推荐系统中,因此本研究成果具有一定的普遍意义。