本研究的主要创新点有以下四个方面：第一，通过用户收视行为建立隐式评分获取模型，解决了协同过滤算法在智能大屏平台应用过程中评分难以获取的问题。实验结果表明，隐式评分模型能够替代显式评分获得更好的推荐效果。第二，探索了隐式评分模型的改进方向，发现通过引入视频长度标量对隐式评分进行改进，能够获得更优的推荐效果。第三，探究了协同过滤算法中，基于用户的协同过滤与基于项目的协同过滤在推荐结果上的差异，基于项目的协同过滤推荐更精准，基于用户的协同过滤更能照顾到视频平台的长尾资源。第四，测试了TOP-N算法中N的取值对推荐结果的影响，基于用户的协同过滤更适用于推荐数量多的情景下，而基于项目的协同过滤在推荐结果为20时能够获得更好的推荐结果。

但本研究也有不足之处。主要体现在：第一，由于协同过滤算法需要用户的历史行为信息作为推荐的依据，因此无可避免地会带来冷启动问题，这在具体应用中会成为系统的一大限制。第二，本研究重点关注了协同过滤算法，在实际的商业应用中还需整合多种推荐方法以进一步优化推荐效果。(www.daowen.com)

基于以上不足，展望未来智能大屏平台的个性化推荐研究，还有许多工作值得深入探索。第一，解决冷启动问题。对于冷启动问题，有许多学者提出了各种各样的策略进行解决。解决冷启动问题的主流思想是将协同过滤算法与其他算法进行结合，通过其他途径收集到用户的个人信息和项目的具体信息进行前情分析，以弥补协同过滤算法在冷启动时的失效问题。未来，如何在不增加用户交互压力的情况下解决平台的冷启动问题是可行的研究方向。第二，本研究虽然证明了隐式评分能够更好地刻画用户偏好，提升推荐效果，但用户的行为与其兴趣偏好之间的联系仍然是一个值得研究问题，比如不同类型视频的重复收看时间间隔、热门视频与非热门视频的收看行为差异，这些都可能进一步提升隐式评分的效果。第三，在技术与伦理的争论上，个性化推荐在应用越来越普及的同时也带来了社会伦理的质疑。有学者指出，在新闻的个性化推荐方面，对于用户行为的收集和算法的执行，用户应该拥有更多的知情权，并且个性化推荐可能会降低用户信息接触的多元化。未来的算法应将“公众应该知道什么”和“公众想要知道什么”的问题完美地结合在一起，让信息技术服务社会，创造和谐、健康的网络环境和现实世界。不仅是新闻的个性化推荐，视频节目的推荐算法所带来的伦理问题也将在其普及之时引发同样的争论，这也是在今后的推荐方法中需要进一步研究的问题。