数字技术、通信技术与互联网技术的进步,给媒体传播方式带来了巨大改变。除了数字电视、地面电视和卫星电视等传统方式外,交互电视、社交网络和移动APP等多种新媒体迅猛发展广泛被用户接受。在此趋势下,在海量节目中快速抓住用户的喜好所在精准为用户推荐,对于为用户提高更好的媒体服务有着重要意义。本文分析了传统推荐算法在交互电视和移动APP中做节目推荐的难点,并提出了相应的算法模型,并在真实数据集上验证了模型的有效性。相对于传统电视而言,交互电视可以提供应用更丰富、互动性更强的点播服务,用户使用点播服务收视会产生大量的交互行为日志,对交动电视的点播收视行为的建模研究能够挖掘用户兴趣为节目推荐提供依据。交互电视的用户行为分析主要有两个难点,一是电视收视行为远不如互联网行为丰富,交互收视行为数据的强稀疏性不利于建模研究。二是电视收视为家庭行为,家庭账号的行为日志体现的是多人的耦合收视兴趣,会混淆对个体成员的收视偏好判断。本文提出了聚类耦合主题模型来解决这个问题,该模型在对收视兴趣主题建模分析时耦合用户收视聚类过程,通过用户聚类促进收视主题建模的优化。本文进一步将聚类耦合主题模型分析的结果用于用户节目推荐,实验结果表明该模型能产生更优的推荐效果。相对于电视收视,用户对移动APP收视时对节目有更高的个性化需求,移动APP点播行为建模存在新难点。一方面APP收视面临着大量新节目上架带来的冷启动问题,另一方面传统推荐模型获得的用户特征和节目特征在隐空间上的向量表达缺乏可解释性。因此,本文充分利用用户行为数据和节目内容数据,提出了标签耦合协同主题回归模型,通过在对用户点击行为和节目文本内容耦合建模分析时引入标签-节目对信息,缓解了冷启动问题,同时增强了隐空间特征表达的可解释性。实验结果表明,该模型可以更好地表达用户收视偏好,同时在为用户推荐节目时,模型在召回率和MRR值上均有良好表现。