借助窗口重叠，弥补数据稀疏，提高评价计算准确度，实验证明该技术可行，供参考

为充分利用显性特征和隐性特征的互补性，提出一种ＰｔｒａｎｓＥ＿ＣＦ视频推荐算法。在协同过滤中引入知识图谱推理技术，通过路径排序算法挖掘实体间多路径关系，将所有的实体关系嵌入到低维的语义空间中，在低维空间中计算任意视频间的语义相似性，将语义相似性与协同过滤的用户行为相似性结合进行推荐。实验结果表明，该方法弥补了协同过滤推荐算法对隐性信息利用不充分的缺陷，在语义层面增强了推荐的效果，在一定程度上解决了数据稀疏性问题。关键

针对网络视频元数据信息缺失严重和多媒体数据本身特征难以提取等问题，提出了融合评论分析和隐语义模型的网络视频推荐算法。从视频评论入手，通过分析用户对不同视频的评论内容以判断其情感倾向并加以量化，继而构建用户对项目的虚拟评分矩阵，弥补了显式评分数据稀疏性问题。考虑到网络视频的多元性和高维度特性，为了深度挖掘用户对网络视频的潜在兴趣，针对虚拟评分矩阵采用隐语义模型( LFM) 对网络视频分类，在传统的用户—项目二元推荐系统基础之上添加虚拟类目信息以进一步发掘用户—类目—项目关联关系。实验在多重标准下进

复杂环境中的目标检测受到很多因素的影响,传统的鲁棒主成分分析(RPCA)无法从受干扰的数据中获得最低秩表示,为此,提出了一种融合l1-全变分(TV)正则化约束RPCA模型的视频去噪和目标检测算法。以RPCA为基础,在低秩稀疏分解框架下,使用核范数的低秩性对背景进行建模,利用三维TV正则化结合l1正则化对前景目标的稀疏性和空间连续性进行约束,再结合l2范数正则化约束噪声部分,从而弥补现有RPCA模型的不足。采用交替迭代的思想,利用增广拉格朗日乘子法对目标函数进行优化求解,实现了复杂环境下的去噪和目