作为解决信息过载问题的有效手段之一,推荐系统及其推荐算法近年来已经取得长足进步,在线上购物、社交平台等诸多行业和领域都已经取得成功应用,不断推动商业发展和社会进步。近年来,随着短视频内容平台的兴起,短视频推荐系统已经成为一个热门研究领域。虽然短视频推荐系统中存在丰富的多模态信息,然而传统的推荐算法缺少对这些多模态信息的有效挖掘和利用,无法捕捉到用户对多模态信息的深层次偏好。同时,近几年频繁发生的个人隐私泄露问题也让越来越多的用户重视对个人隐私的保护,推荐系统中存在的个人隐私安全问题已经成为推荐算法研究领域的又一大挑战。针对以上两方面问题,本文对相关技术开展研究工作,设计了基于多模态信息和差分隐私的短视频推荐系统。本文针对短视频推荐系统的应用场景,设计了混合推荐算法模型,并对其中一种结合知识图谱和图注意力网络（Graph Attenti on Network,GAT）的知识图注意力网络（Knowledge Graph Attention Network,KGAT）推荐算法进行重点研究和改进。本文在KGAT算法中引入多模态信息和用户侧信息以构建两种协同知识图谱,同时考虑用户与短视频的细粒度交互关系,引入复合关系概念,挖掘不同交互关系中背后的用户兴趣偏好,改进了 KGAT算法的网络结构和实现机制,最后实现了多方面改进的KGAT算法,在三个测试数据集上都取得了不错的性能提升。同时,考虑到本文设计的混合推荐模型的实现机制和推荐系统隐私保护需求,将高斯差分隐私引入KGAT算法的随机梯度下降优化算法（Stochastic Gradient Descent,SGD）中,在实现精准推荐的同时为用户提供隐私保护功能。此外本文还基于Hadoop和Flink搭建了综合实时推荐和离线推荐功能的短视频推荐分布式平台,设计和实现了小程序端短视频推荐系统和网页端短视频后台管理系统。最后,本文对部署的系统进行了实验测试,测试结果显示,系统各项功能都能够正常运行,满足设计需求,同时在短视频推荐场景下能够为用户提供更精准安全的推荐结果。