一、待完善的任務：
視訊推薦算法部分
排序模型的實作
參照YoutubeNet模型，目前隻完成了召回模型部分（即上圖的candidate generation部分内容），而排序部分尚未完成（即ranking部分），訓練排序部分的模型需要記錄下使用者觀看每個視訊的時間，這裡還需要對後端進行修改。
此外，希望能補充一些使用者真實使用的資料集用于訓練（可以找找公開的，對已有資料集進行修改也是可以的，或者利用爬蟲去爬别的網站的資料）。
常用資料集的下載下傳位址可以參考這篇部落格
冷啟動問題
當使用者的曆史資料不足時，網站無法達到比較好的推薦效果，該問題被稱為推薦系統“冷啟動”問題。在該問題還未解決的情況下，本網站采用随機推薦的方式。
然而可以有更好的解決方法，具體可以參照這篇文章。
二、設想在已有基礎上可以疊代開發的新功能：
視訊增強
伺服器端視訊增強
在伺服器端運作srcnn或者其他的視訊增強算法，對使用者上傳的視訊進行增強，消除視訊上傳過程中可能出現的失幀現象。
這裡是否增強可以由客戶決定，例如：
在藍色方框處提供一個“視訊品質提升按鈕”，當使用者送出請求之後，再對原視訊進行增強處理，這樣可以降低伺服器運算量。
用戶端視訊增強（工作量和難度較大）
一些偏遠地區網速可能不夠快，進而導緻視訊播放卡頓的情況出現。
解決方法：
利用C#或者java（例如Neuroph架構，這個要去學一下如何使用）編寫srcnn神經網絡和視訊播放器，将視訊播放器和視訊增強子產品內建起來，對視訊進行實時增強，使得使用者能夠以低清的流量看高清的視訊，減少網絡帶寬，提高播放流暢度。