随着移动互联网时代的高速发展,我国的主流视频网络企业不断壮大,并且更多的企业通过互联网、社交平台、电子商务等渠道来提升品牌价值,优化企业盈利模式,满足消费者的需求。人们逐渐从信息匮乏的时代步入信息过载的时代,为了给广大信息消费者提供精准的信息流,因此推荐系统逐渐成为移动互联网时代性下的核心关键技术。随着网络中视频流数量和视频流用户的数量急剧增加,视频推荐系统在数量累计的过程中往往会遇到冷启动的问题。本文将基于用户在视频上的历史行为来缓解推荐召回中所面临的冷启动问题,为用户提供个性化的推荐服务,进而实现对视频推荐系统中召回算法的优化。推荐系统通常由召回和排序两个阶段组成,召回阶段是指从海量的资源池当中筛选出部分用户感兴趣的资源作为候选集合的过程,排序阶段则是根据具体的优化目标对候选集合进行排序的过程,而召回的内容决定了排序阶段的准确率上限。为了提升召回模型对用户行为兴趣的提取能力,对召回阶段的算法进行了以下优化和研究工作。首先是针对用户在视频上的历史行为,提出了一个用户模型,用户模型将收集用户的历史点击记录和搜索记录,把这些用户的历史行为和用户自身的其余特征结合在一起,通过深度神经网络编码成能够可以和视频向量相匹配的用户向量;其次就是基于自注意力机制的双向编码器表示的预训练模型提出了一种内容模型,将视频文本信息编码为具有语义信息的视频向量。最后基于深度语义匹配模型的思想,提出了一个用于向量匹配的双塔结构的召回模型对用户向量和视频向量进行匹配训练。通过分析曝光未点击和随机采样两种负样本构建策略的优缺点,选择合适的负样本构建策略。最后在两个视频的数据集上设计一系列的模型对比实验,验证了本文提出的模型在基于用户行为进行向量化内容召回的有效性,以及可以有效缓解在推荐召回初期面临的冷启动问题。