广播电视网与互联网的融合,使得电视节目资源共享,海量的电视节目满足了用户观看需求,但也使得用户很难在可交互的收视选择中找到自己感兴趣的节目。如何实现电视节目的精准营销,以期在满足用户需求的同时增加广播电视信息提供商的经营收益已经成为广播电视信息服务公司急需解决的问题。处理信息过载的个性化推荐系统能为用户提供个性化服务,但在电视节目领域个性化推荐系统还面临着很多问题。论文针对电视节目推荐系统中无显式评分、数据稀疏,使用Python语言分析用户历史行为数据,建立个性化推荐模型。主要研究的内容如下:(1)构建线性加权映射函数形成隐式评分体系。经过分析用户群历史行为数据,改变传统根据单一属性计算评分的方法,提出融合用户行为数据中多种特征属性的加权映射函数评分体系,其中特征属性包括:观看时长、观看次数、付费金额和付费次数,得出用户对节目的隐式评分矩阵,解决了电视节目推荐系统中无用户显式评分问题。(2)基于K-近邻的协同过滤算法的电视节目推荐系统的研究。通过余弦相似系数公式寻找相似近邻,依据近邻为目标用户进行个性化推荐;并使用分类准确率比较不同近邻个数取值情况下基于User-CF算法和Item-CF算法的推荐系统优劣。实验结果表明:在近邻个数为30时,两个算法模型指标达到最好;且基于Item-CF算法更适合于电视节目推荐系统。(3)基于矩阵分解算法的电视节目推荐系统的研究。建立随机梯度下降回归训练模型最小化损失函数,考虑用户和节目评分特征值及隐式反馈信息对评分的影响,在预评分公式中加入偏置项进行优化模型,接着改变隐含因子个数寻找最小损失函数。实验结果表明:当隐含因子个数为20时,损失函数达到最小值约为0.27,且基于矩阵分解算法比基于K-近邻协同过滤算法的推荐模型评价指标F1-Score高出8%左右。