数字电视的普及以及越来越多的电视节目，使得用户在数百个电视频道中选择自己喜欢的内容成为一项耗时的工作，因此针对电视节目推荐的研究逐渐增多。

有学者对电视用户行为进行分类，通过分类为用户进行个性化推荐。例如，Hyejeong Lee等人提出了一种针对数字电视频道选择列表排序的个性化推荐方案。通过分析用户的观看行为和频率，提取出最近选择的节目和最常选择的节目两个节目列表，用这两个节目列表控制频道选择列表自顶向下的节目排序。将最近选择节目和最常选择节目的推荐方案与传统的频道选择方案进行比较可以发现，所提出的方案可使数字电视频道选择器寻道成本降低62.8%。但是，通过最近选择节目和最常选择节目两个类别区分各个频道的分类方法虽然能产生一定的个性化推荐效果，但只能推荐用户选择过的节目，并不能为用户发现可能感兴趣的新节目。

类似的还有Ardissono等人提出的个性化电子节目指南，它采用了为机顶盒设计的操作系统，该系统由显式偏好专家、定型专家和动态专家三个用户建模模块组成。显式偏好专家处理用户在初始设置期间声明的首选项；定型专家根据系统已知的用户个人数据和用户所陈述的明确偏好，将个人用户进行划分；动态专家分析用户的观看行为，并在此基础上建立和调整用户的观看行为模型。这种将算法与分类相结合的推荐方式将电视节目导航按照目的区分为四个列表，为用户的电视节目选择提供帮助，用户可以根据个人偏好选取相应标签以获取节目列表。

另一种推荐方式是Cotter等人开发的名为PTV的电视节目推荐系统。PTV推荐系统利用基于内容的推荐技术和协同过滤技术对用户的偏好进行动态预测。基于内容的推荐技术利用用户注册时填写的偏好信息来为用户推荐节目；基于协同过滤的推荐方法则使用用户对节目的评分来寻找相似用户，提取相似用户喜欢的电视内容来向用户个性化推荐电视节目。这一方式已经是较为成熟的个性化推荐方法，随后的大多数推荐算法研究都与这一方法类似。比如Martínez ABB等人设计了一个基于Web2.0的应用程序queveo.tv，并对给用户推荐时的信息呈现方式作了改进。这个程序同样使用基于内容推荐与协同过滤推荐相结合的混合推荐方法。利用基于内容的推荐方式分析节目信息，给出推荐结果；利用协同过滤算法分析用户对电视节目的评分，给出推荐结果。之后，将这两个结果进行混合排序，推荐给用户。值得一提的是，在系统中用户不仅能够看到自己的推荐列表，还能看到节目被推荐的原因，这增加了用户对推荐结果的信任度。(www.daowen.com)

上述个性化推荐系统虽然都能够为用户提供电视节目个性化推荐，但和最初的电影推荐系统类似，都要求用户主动提供个人偏好或对节目进行评分。主动评分势必会增加用户的负担，因此后续又发展出基于用户行为挖掘的推荐系统。虽然不需要用户主动提供评分的推荐系统在电子商务和Web领域早有应用，却并不能简单套用到电视节目的个性化推荐中。原因在于，电子商务和Web领域以文本信息为主，文本信息通常只考虑用户是否看过，至于在该信息上投入多少时间一般不作统计。但是电视节目往往需要用户看过之后才知道自己是否感兴趣，单纯考虑用户是否看过是不具有实用价值的。学界普遍认同的观念是，用户在某一节目上投入时间的多少，能够准确反映他对该节目的感兴趣程度。因此，需要根据这个假设基础进一步设计基于用户收视行为的兴趣模型来为电视节目的个性化推荐奠定基础。

Yu-Cheng Chen等提出了一种基于社区的电视节目个性化推荐系统。系统将具有相似观看习惯的用户分类到同一个社区，将每一个小时分成一个阶段，每个阶段根据用户的过往行为，在社区服务器进行计算，向用户推荐合适的电视节目，减少用户搜索电视节目的时间。用户不需要手动输入额外的数据或首选项。实验结果显示从使用的第三个月开始，推荐结果趋于稳定且能够保证较好的推荐效果。

电视节目的个性化推荐在学者的不断探索中逐步优化，但针对OTT平台个性化推荐的高质量文献显著缺乏。究其原因是OTT出现时间不长，并且在国内只有广电认可的牌照商才有获取电视节目的资格。因此，伴随OTT的逐渐普及，结合电视节目推荐的成熟经验，探索符合OTT特点的电视节目个性化推荐变得极为必要。