在当今移动互联时代,多媒体影音娱乐行业得到迅猛发展,娱乐信息呈爆炸式增长趋势,信息过载、知识冗余等问题日益严峻,如何高效、准确地获取感兴趣的娱乐信息成为人们日常生活中的一个难题。推荐系统是数据挖掘和机器学习领域的重要应用之一,是解决信息过载的重要途径。近年来,推荐系统的应用越来越广泛,包括新闻、电影、社交网站等多个领域。个性化推荐可以在用户没有明确的需求目标时,根据用户的历史行为数据和用户的属性偏好,构建合理的算法,推测最有可能符合用户兴趣的结果并反馈给用户。短视频因具有更新快、传播广的优势,可以使用户在碎片化的时间里获得多种信息,从而得到了越来越多人的青睐。但当今时代人们生活节奏快,用户的兴趣易变,因此针对短视频的实时推荐显得尤为重要,推荐实时性与用户的使用体验关联密切。本文针对短视频的实时推荐性能较差的问题,提出了一种基于知识图谱的短视频实时推荐方法,该方法主要包含了融合时间信息和多属性特征的知识图卷积表示方法和改进的基于多任务的长短期偏好融合模型两个部分,分别介绍如下:一、本文针对短视频推荐的准确性和多样性较低的问题,提出了融合时间信息和多属性特征的知识图卷积表示方法。该方法首先通过注意力机制对视频进行预处理,注意力机制可以高效地对视频的主要属性特征提取出来,然后利用知识图谱的卷积方法对用户兴趣进行嵌入表示,知识图谱除了包含丰富的节点信息以及节点之间的关联信息之外,本文加入用户浏览时长作为关系的权重,来衡量用户对视频的喜好程度。该方法综合考虑了用户的长期和短期兴趣,使得推荐结果中既包含用户本身的长期兴趣,也包含了近期的兴趣漂移,保证了推荐结果的多样性和准确性。二、针对短视频推荐的实时性差的问题,本文提出了改进的基于多任务的长短期偏好融合模型。由于LSTM模型具有优异的特征累积和传递性,而用户的兴趣变化也有同样的变化特点,因此本文使用改进的LSTM模型来进行长短期兴趣的融合。将长期兴趣作为LSTM模型的初始输入,在用户的短期兴趣发生变化程度超过阈值时,说明此时用户的兴趣与当前的推荐差距较远,于是实时地更新推荐,将此时的短期兴趣表示作为LSTM模型的当前输入。同时引入了时间参数t,代表每次推荐的有效时间,在LSTM中引入更新门,来说明兴趣衰减的程度。此模型还设置了两个训练任务,在改进后的LSTM模型基础上来共享两个任务的训练参数,在保证推荐准确性的基础上提高了实时性。为了检验本文所提方法的有效性,在ICME-2019短视频数据集上进行了对比实验,通过准确率、召回率、MRR等指标与几种主流短视频推荐算法进行了比较。经过实验验证,本文所提方法比FM、LSTM等主流的动态推荐方法在准确率、召回率和推荐速度上均有所提升,在保证推荐准确性的同时,提高了推荐实时性。