媒体产品是个性化推荐的一个很大的应用领域。个性化推荐概念的提出即伴随着在媒体领域的应用，其在媒体产品中应用最广泛的领域是电影，其次是教育和电子学习领域，此外在音乐、电视节目、新闻等领域也有不少的研究与应用。

电影领域是个性化推荐最早涉猎的领域之一。最早的研究案例是美国明尼苏达大学研究小组制作的Movielens电影推荐系统。在这个研究中，用户被要求对自己看过的电影进行评分。研究人员随后对用户的评分结果进行分析，并预测出用户对未看过的电影的兴趣度，从而向他们推荐未看过但可能感兴趣的电影。类似的推荐系统还有Cinema Screen Recommender Agent系统。这个系统根据演员、导演、电影类型等内容特征扩展和调整协同过滤的结果，在解决冷启动问题的同时优化了推荐效果。

个性化推荐在教育和电子学习领域的应用研究也较为普遍，CoFIND系统基于资源内容和学习者的特性来为学习者做相关的资源推荐。Haruna K等人设计了基于协同过滤的方法论文推荐系统，利用公开可用的上下文元数据来推断论文之间存在的隐藏关联，从而进行个性化推荐。(www.daowen.com)

在新闻推荐领域，GroupLens是一个针对网络新闻的个性化推荐系统，它通过用户提供的评分建立用户的兴趣模型，使用协同过滤算法为用户推荐感兴趣的新闻。Daniel Billsus等人设计了一种智能代理，通过多策略机器分析用户的喜好和兴趣，为个人用户推荐每日新闻节目。类似的新闻推荐系统还有News Weeder、News Dude等。

个性化推荐媒体产品中应用较多的领域还有音乐推荐领域。Ringo系统累积了大量音乐的评价，用户加入系统时提供自己对部分音乐的评价，系统即可根据这些评价将系统中其他相似用户喜欢的音乐进行推荐。Flycasting通过协同过滤算法，根据实时在线用户的历史偏好信息调整音乐播放列表。