在线视频点播(Video on Demand,VOD)业务是目前互联网行业中的一项热门业务,该业务随着互联网的发展不断快速扩张中。然而,无论是在何种在线视频点播平台上,首页或是导航页面上所展示的视频个数是有限的,这与节目库中成千上万的节目形成了鲜明的对比;同时视频点播业务往往拥有庞大的用户量,并且不同用户之间的兴趣偏好也不尽相同。那么如何在有限的屏幕内尽可能展示给每个用户他所喜爱的视频节目就成了一个亟待解决的问题。推荐系统的出现较好地的解决上述问题,现有的推荐系统一般遵循着召回排序两阶段的步骤来为用户生成推荐结果,其中排序问题又通常被当作点击率预估问题来处理。但是现有的推荐系统算法在VOD场景中还有很大的提升空间,因此本文详细探究了推荐系统中的各种算法在VOD场景中的表现并在此基础之上提出了改进与创新。本课题首先收集了三份数据集,其中包含两份推荐系统领域的公开数据集和一份互联网电视(IPTV)数据集,并介绍了推荐系统数据集中的隐式反馈与显式反馈的概念。接着,本课题研究了现有的多种召回算法并针对其中的矩阵分解算法进行了改进,同时也提出图查询召回算法,并与传统的召回算法进行了对比实验。然后,本课题探究了现有排序算法在VOD场景中的不足,提出了基于深度学习的用户偏好匹配网络(Preference Matching Network,PMN),并在收集到的三份数据集上与现有的主流排序模型进行了对比实验,论证了本课题提出的PMN模型的有效性。