随着信息技术的快速发展,越来越多的信息充斥于人们的生活当中,“信息过载”成为当下的热门话题,为了解决这一问题,个性化推荐系统应运而生。IPTV平台和网络视频平台中的视频推荐是个性化推荐系统的重要应用领域之一,为了提高用户粘度、提升服务质量,从海量的视频库中快速准确地为用户推荐感兴趣的视频成为了当前视频服务商迫切需要解决的问题。协同过滤推荐算法是一种经典的个性化推荐算法,其主要优势在于不需要考虑资源的内容信息、拥有发现新信息的能力且易于实现,然而该算法也存在着诸如稀疏性、时效性、扩展性等问题。本课题立足于视频推荐领域,分析了该领域存在的问题,进行了相关研究。课题的主要工作及创新点如下:(1)通过对用户历史数据的预处理,提取用户行为特征,形成用户行为数据;针对IPTV视频推荐中存在的隐式评分模型无法全面衡量用户偏好的问题,提出了一种结合视频类型、偏置因子以及收视比值的多特征混合隐式评分模型。实验结果表明,该模型相较于基于比值的评分模型推荐的准确率提升了9%,能够全面有效地反映用户的偏好;(2)提出了一种基于用户潜在关系的改进协同过滤推荐算法。该算法使用随机游走方法计算用户间接相似度以缓解稀疏性对推荐精确性的影响,使用时序影响度来解决用户偏好变化带来的时效性问题,并将间接相似度和时序影响度结合,提出了融合相似度对用户的相似程度进行全面的衡量。实验结果表明,该算法相较于基于用户的协同过滤推荐算法,推荐误差降低了11%;(3)将本文提出的基于用户潜在关系的协同过滤推荐算法在Spark并行化平台上进行实现,通过扩展集群中的计算节点来缓解数据规模增加对于算法的影响。实验结果表明,该算法的并行实现具有良好的扩展性。