互联网的兴起给传统电视发展带来巨大压力,但若能有效借鉴“互联网+”思维,其势必有机会焕发新的生命力,社交电视即是挽救传统电视的良药。由于传统电视的封闭性,即电视内容缺乏与用户互动导致其正在失去大批观众。社交电视把传统电视与社交媒体元素、移动端应用结合起来,形成多屏互动,给用户带来新的观看体验。同时,大量的用户数据和海量信息也随之产生。本文基于以上背景展开研究。用户在浩瀚的数据里很容易迷失,一方面不知道如何选择数据,另一方面,“挑剔”的用户希望能够享受到独一无二的数据服务。为了实现这些信息的商业价值,本文选择“铁杆粉丝”这个群体进行研究。狂热的粉丝是UGC (用户产生内容)数据的重要产生者,也是信息的主要消费者。不同于一般“看客”,铁杆粉丝群体能够对信息分享、再创造做出重要贡献。本文旨在解决针对该群体的社交电视聚合信息的个性化推荐问题。这里的聚合信息类型主要指文本信息。首先,本文从信息的获取入手,以网络数据为主要来源,也兼顾到UGC数据的产生。因为信息质量良莠不齐,获取的数据经过清洗、过滤、文本分类后实现半结构化到结构化的转变进行存储。在这个过程中确定了信息的明星属性,作为个性化推荐的基础。然后,本文研究了基于隐性因子模型(LFM)的明星个性化推荐算法。考虑到“铁杆粉丝”这个群体的特殊性,利用聚合信息背后的明星属性,基于系统收集的用户行为数据,建立用户兴趣模型,并产生推荐结果。针对推荐系统常见的冷启动、非实时性等问题,系统也予以考虑并采用结合基于内容的推荐算法等进行解决。最后,本文设计和实现了以社交电视为背景的聚合信息的个性化推荐系统,以Android客户端的形式呈现出来。与客户端相应的服务器端旨在实现数据清洗、推荐算法、数据库管理等。APP客户端主要用于呈现推荐结果,收集用户行为数据等。文中对系统各个模块的设计和实现进行了详细介绍。