随着电视技术以及通信技术的不断发展,如DVB(数字视频广播电视),IPTV, TV-anytime等技术让更多更丰富的个性化电视服务成为了可能。在信息技术高速发展的同时,人们几乎每天都需要在高达几百个电视节目中重复不断地挑选节目,人们正面临着信息的大量过载。这就意味着,信息的过载已经超出了个人所能掌控的范围,这就促使他们相信,自己可能错过了大量自己喜欢的节目。IPTV作为一种新兴的交互式服务技术,在电视节目推荐领域被广泛研究,但用户-节目评分矩阵的稀疏性与冷启动问题成为节目被准确推荐的瓶颈。本文提出两种组合组合策略和用户模型更新方法并进行合理的结合,对稀疏性与冷启动的问题,以及用户兴趣变化问题展开了研究,并根据两种实现了基于内容的推荐部分和协同过滤部分,有效解决了节目的冷启动和评分矩阵过度稀疏以及用户兴趣变化问题。经过实验证明在最优参数下该组合推荐系统相较于只使用第一种组合策略,只使用第二种组合策略,不使用任何组合策略而只使用基于物品的协同过滤推荐方法,MAE值降低区间为[2.7,3%],精确率提升区间为[13.8%,95.5%],召回率提升区间为[0,97.8%]。