在这个信息过载的年代,传统广播电视平台推荐算法的提出能够很大程度解决用户节目优选的问题。与传统的电视推荐算法相比,现有电视节目推荐算法都是针对用户的历史收看记录,但仅仅依靠历史记录并不能完全满足用户推荐需求。根据用户的即时选择实时地更新用户偏好属性是有必要的。现有的电视推荐算法的都是将家庭用户收视默认为是个人用户的收视行为,根据日常家庭中的电视使用习惯,电视的收视记录不仅仅针对个人用户,还有家庭型用户,现在的电视推荐问题的研究几乎没有考虑多用户收视情况的推荐问题。因此,本文针对广播电视用户的隐性收视行为进行推荐问题的研究,具体研究内容如下。首先,针对电视节目的推荐过程中用户偏好不能显性获取的问题,本文提出一种基于用户隐性收视数据的用户偏好的建模方法。该方法将用户的观看时长和节目标签属性结合,构建用户对电视属性标签的偏好程度,建立长时间段内用户标签库向量。考虑到用户偏好的可变性,本文设计了实时推荐反馈规则,根据该原则实时推荐时,利用用户选择的节目的排序位置与基线的差,求得反馈系数,从而更新用户偏好的标签库。由以上几点优化改进,构成基于隐性用户数据的标签推荐算法。其次,针对面对兴趣多样的家庭型用户推荐问题,本文提出了一种多群组融合推荐算法,该方法利用用户收视习惯和收视内容计算相似性,根据相似性大小将多个群组用k-means方法做聚类,然后选取合适的融合策略,将目标用户的偏好与目标用户距离最近的k个用户的偏好作群组融合,从而得到家庭用户的综合推荐。最后,根据本文提出的两种方法,对某市广播电台真实的收视数据设计实验,以传统的基于用户的协同过滤算法作为对比实验,对比了本文提出的基于隐性收视数据的标签推荐算法、基于收视数据的群组融合推荐算法对命中率的影响;对群组融合之后的推荐列表多样性进行比较;三种不同的融合策略对算法的贡献程度。