随着通信网、互联网和电视网的融合,网络电视在世界范围内迅速发展,逐渐成为人们家庭生活的重要组成部分。　　 网络电视区别于传统数字电视的一个重要特点是良好的互动性。在网络电视上,用户将告别单一被动的接收模式,享受更为丰富多彩的互动节目。内容服务供应商可以在网络电视服务平台上提供大量高质量的数字图像,视频,音乐,游戏,广告等内容。但用户面对海量内容,结构复杂的互动节目时,往往会迷失其中,找不到感兴趣的节目。因此,网络电视服务平台需要能够对用户可能感兴趣的节目进行关联,预测和挖掘,并将节目推荐给用户,以节省用户操作时间,增加用户粘度。　　 随着内容的剧增,传统的分类标签,以及关键字搜索的方式已经不能完全满足用户的需求。本文分析了传统的推荐算法的不足,对网络电视推荐系统相关技术进行了研究,并在此基础上设计和实现了网络电视的多媒体推荐系统,本论文的工作与贡献如下:　　 第一,将基于项目关联的推荐算法和基于项目的协同过滤推荐算法进行了融合。通过项目的评分相似性和特征属性相似性的加权计算项目的相似性,将对同一项目共同评分用户数量融入到评分相似性计算中,通过最低相似度阈值控制最近邻居选取,解决了数据稀疏性,以及新项目冷启动的问题。实验表明该算法的推荐精度有明显改善。　　 第二,基于对项目聚类,缩小最近邻居查询空间,减少了计算量,改善了推荐系统的实时性。实验证明,聚类在保证推荐精度的情况下,提高了系统实时性。　　 第三,详细的介绍了网络电视的多媒体推荐系统的架构设计,功能模块,以及相关流程。