随着计算机网络和数字多媒体技术的发展,互联网应用日益普及,网络多媒体数据量急剧膨胀使得人们难以获取有用的信息和服务。面对海量媒体数据,如何有效的处理、检索和推荐,逐渐成为多媒体视频应用和信息管理系统领域中亟待解决的问题。本文研究问题集中于以下三个方面：1)多媒体检索的研究逐渐从关键词检索方式转向对象检索方式,即以视频片段为输入,从海量视频库从找出相似视频。以视觉单词为基础的常规检索方法,忽视视频帧时间序列上的关联,在检索效果上仍有提升空间。如何考虑视频帧序列关系,并保持可接受的检索速度,值得进一步研究。2)基于协同过滤的方法是推荐系统领域的一类热门方法,广泛用于在线电子商务中。然而,传统协同过滤方法面临多种问题。近年的研究表明,对象选择存在“长尾效应”,大量对象因缺少用户关联信息而被传统协同过滤推荐算法所忽视。同样是缺少足够的用户-对象关联信息,对象“冷启动”问题也一直成为协同过滤推荐系统研究难点。如何利用对象自身特点找出相似关联性,克服协同推荐中关联信息缺失问题,值得进一步研究。3)实际应用场景下,单纯基于显式反馈(如评分等直接评价信息)的推荐算法,需要用户主动配合反馈信息采集,一定程度上影响用户体验,致使该类推荐系统常面临反馈信息不足问题。而大量隐式反馈信息,如浏览网页的时间,观看视频多久后切换,以及对象选择的先后顺序等,在不影响用户正常浏览的同时,也为推荐系统提供丰富的信息。如何有效利用用户隐式反馈信息,弥补显式反馈信息的不足,值得进一步研究。针对上述三个问题,本文的主要工作和创新包括以下三点：1)支持复制检测的相似视频检索性能优化方法研究：为了提高相似视频检索的性能,本文提出一种支持复制检测的相似视频检索方法。该方法首先对视频片段进行系统采样,提取视频帧的全局特征向量,并对特征向量哈希得到特征点,将视频表示为特征点的时序序列。检索过程将特征点视为视觉单词,利用倒排索引,快速计算两个视频的相同特征点种类和离散度,对无关候选对象进行过滤。序列距离采用基于Jaccard距离的动态时间规整(Dynamic Time Waring, DTW)度量方法,利用距离下界的快速估计,对相似序列搜索过程进行优化。实验表明,采用多级评价准则的检索方法在同样检索效果下,所耗时间仅为原DTW算法的1/3。与MUSCLE VCD2007数据集公开实验结果对比,本方法的检索得分/时间比值高于其他算法结果。2)基于语义本体表示的视频推荐方法研究：针对推荐系统中的对象信息稀疏问题,本文提出一种语义本体表示的视频推荐方法,用于对用户评分矩阵中缺失的评分信息进行预估,提升对长尾对象和冷启动对象的推荐效果。以电影数据为例,该方法首先根据电影本体属性间的相似度,确定相似电影的候选集。利用用户对候选集电影的评分,预测该用户对电影的评分值,并对评分矩阵进行填充。最后采用PureSVD算法对填充后的矩阵进行分析,将Top-N电影推荐结果返回用户。实验采用Hetrec’11电影评分数据集测试,并用推荐结果的Top-N召回率进行评估。结果表明,相比于目前多种的推荐算法(TopPop,近邻推荐,PureSVD),本文方法对于一般对象的推荐召回率提升240%～30%,对于长尾对象的推荐召回率提升2-5倍,并能有效处理对象冷启动问题。3)结合隐式反馈的对象推荐方法研究：针对实际应用场景下显式反馈信息不足问题,本文提出了一种结合隐式反馈的对象推荐方法。该方法将用户的隐式反馈信息转化为0-1用户-对象评分矩阵,并放入有向关联图结构中。采用时间窗口技术,对图中隐式反馈的影响范围进行限定。利用HITS算法迭代计算出关联图中对象的auth权重和hub权重,作为对象的隐式反馈推荐评判依据,并与显式反馈推荐值融合,获得最终推荐列表。基于MovieLens公开数据集的实验结果表明,隐式反馈信息可以作为显式反馈的有效补充,相比PureSVD协同推荐算法和ItemRank等基于显式反馈的图类推荐算法,本文方法获得的推荐列表序列正确度得到进一步提升,平均序列正确度达到90%以上。本文研究是国家科技支撑计划课题“增强型搜索系统架构、关键技术及测试规范的研究”(2011BAH11B01)以及国家科技支撑计划课题“电视商务综合体新业态应用示范”(2012BAH73F02)的一部分。