随着“三网融合”的不断推进，面向互联网电视的多媒体内容服务产业得到了迅猛的发展。相比于传统的数字有线电视，互联网电视的突出优势在于融合了互联网的交互性和开放性，使用户摆脱了传统的被动接收数字电视节目的观看方式，可以主动选择喜好的节目内容。但是，面对日益丰富的内容信息，用户常常会迷失其中，陷入选择的困境。个性化推荐系统是解决以上问题的有效手段，并在多个领域得到了成功的应用。然而，面向互联网电视的内容服务平台有着其自身的特点，如用户行为数据的类型多样，不一定存在显式的评分数据，此外，用户并非自然人而往往以家庭形式存在等等。因此，针对互联网电视平台的特点设计个性化内容推荐系统，具有重要的研究意义和经济价值。　　本文针对互联网电视多媒体内容服务平台的推荐子系统的设计问题，从提高推荐项目的精准度和优化推荐列表的内部多样性两个方面进行了研究，具体研究内容如下:　　1)提出了一种融合显式和隐式反馈的面向排序的Top-N推荐算法。该算法能充分利用系统中存在的多种用户行为数据做出Top-N推荐，这些数据包括显式的评分数据，以及隐式的反馈数据如观看记录、浏览日志等等，另外，运用面向排序的思想可以进一步提高推荐结果的准确度。最后的仿真实验验证了本算法的有效性。　　2)提出了一种加入多样性增强的推荐列表选择策略。该策略在生成最终推荐列表时综合考虑了推荐结果的准确度以及多样性，在一定的准确度保证的基础上，提出了最优化多样性的优化目标。并且，可以通过一个参数的调节来灵活平衡精准度和多样性的大小。最后的仿真实验证实了该算法的可行性，在一定的精准度损失的情况下，可以大幅的提高推荐列表的多样性。　　3)给出了互联网电视内容服务平台的推荐系统原型的设计方案。详细介绍了该原型系统的整体架构设计，包括外围架构和核心推荐引擎以及两者间的联系，设计并实现了核心推荐引擎，并对推荐引擎各组成模块的功能和应用的策略进行了详细介绍，最后通过离线实验的方法验证了该推荐引擎的有效性。