摘要：互联网时代的来临使得在线视频行业飞速发展,很多优秀的视频网站脱颖而出。为满足不同用户的需求,视频网站中各种影视作品数目成指数型增加,用户规模也在急剧增长,这使得User-Item评分矩阵越来越稀疏。在进行个性化推荐时冷启动问题越来越明显,再加上当前物品相似性度量方法均存在一定的弊端,使得个性化推荐的推荐质量逐步降低。混合模型推荐算法将协同过滤与内容过滤相结合,在一定程度上解决了物品冷启动问题,但推荐结果仍然只是差强人意。为提高推荐系统的推荐质量,给用户提供真正的个性化推荐服务,本文基于混合模型提出了一种优化的推荐算法。在我们的算法中,物品相似性度量方法由优化后的物品属性相似性和改进的修正余弦相似性线性组合而成,其权重因子与对两物品共同评分的用户个数相关且自动生成。物品属性相似性的计算考虑了物品各属性所占权重问题,并运用了TF-IDF算法。改进的修正余弦相似性度量方法考虑了用户评分偏好及用户活跃度对物品相似性的影响,在相似性计算时融入了用户评分归一化以及CF-IUF算法。为解决冷启动问题,本文使用用户基本信息获得用户间相似度,各属性的权重因子由SVDFeature工具计算得到。实验结果表明,该算法有效提升了视频网站中推荐系统的推荐质量,同时还有效解决了用户冷启动与物品冷启动问题。