以OTT为代表的智能大屏平台上视频数量众多，用户面临严重的信息超载问题。在数以万计的视频中挑选出想要观看的节目成为用户的一大负担，也极大地增加了用户的时间成本。虽然智能大屏平台支持搜索引擎，但搜索引擎只适用于特定场景，即在用户有特定的搜索目标时，搜索引擎才发挥作用。因此，如何帮助用户在众多视频节目中挑选感兴趣的节目是智能大屏平台需要解决的一大问题。

在智能大屏平台引入个性化推荐系统是这一问题的有效解决方法。推荐系统的主要任务在于帮助用户快速找到当前最需要的信息。个性化推荐根据用户的兴趣特征及历史行为，主动评估用户对于系统中项目的感兴趣程度，并给用户提供最为合理的推荐。目前许多电子商务系统如京东、淘宝等，都拥有自己的个性化推荐系统。推荐系统在带来巨大商业效益的同时，也为用户节约了挑选项目所花费的时间，这种高效的服务体验保证了用户对系统的忠诚度。在智能大屏平台上引入个性化推荐能够有效降低用户挑选视频的操作难度，节约用户挑选视频节目的时间，从而提高智能大屏的用户体验。

因此，本部分的主要研究问题是设计适用于智能大屏节目点播的个性化推荐系统，通过实验来检验推荐的实际效果，并探究各种推荐模式与参数设置对最终推荐效果的影响。

协同过滤算法是在个性化推荐系统中应用最为广泛的一种方法。我们与勾正数据合作，抽取了10万户家庭在2019年6月的行为数据，尝试将协同过滤算法引入OTT平台的视频节目个性化推荐中，具体研究工作包括以下两点：(www.daowen.com)

1.搭建基于用户的协同过滤与基于项目的协同过滤推荐模型，利用智能大屏OTT平台数据进行系统调试，生成评价指标结果，分析推荐质量。

2.利用用户行为数据，建立隐式用户兴趣模型以支持推荐，在此基础上探究隐式模型的改进方式和推荐结果数量设置对推荐质量的影响。