互联网信息技术的发展使得企业可以为众多在线用户实现信息的实时交互。如何挖掘出海量产品数据中隐藏的用户行为、实现个性化推荐服务是企业面临的一个重要问题。本项目使用PHP、Python、MariaDB等技术对原始数据进行了清理、集成、标记等预处理,然后以用户消费信息中的产品信息为研究对象,运用传统的协同过滤算法,建立用户与产品信息的0-1矩阵,得到产品的偏好推荐。通过测试推荐结果发现,模型效果欠佳。为了提高推荐精度,提出了时间权重与兴趣相似度融合的协同过滤模型。时间权重考虑了用户偏好变化与时间的依赖关系,兴趣相似度用于改进模型的预测精度。在包含4万余条电视产品收视数据数据集上实现了提出的方法,并将其与传统协同过滤模型进行了对比,发现改进后的协同过滤模型的精度得到了显著改善。最后,基于时间权重与兴趣相似度融合的协同过滤模型的推荐结果,给出了增加用户所使用的机顶盒套餐信息的个性化营销推荐方案。