在信息爆炸时代,互联网为广大用户提供的资源数量迅速增长,但网络在给用户提供更多样的资源的同时,也给用户获取真正感兴趣的资源带来困难。个性化推荐系统有针对性地向用户推荐项目,减少用户的查询和过滤操作,可以提升用户使用感受并且提高资源利用率,成为当今互联网应用研究的热点。个性化推荐系统的核心是个性化推荐算法,其利用用户过去的行为记录以及项目本身的特点,预测用户对项目的感兴趣程度。目前研究和应用较多的算法为协同过滤方法和基于内容的方法,本文针对现有推荐方法中面临的稀疏性、冷启动且准确率低等问题,围绕多策略电影推荐方法开展了相关研究工作,其主要工作内容与成果说明如下：1.提出一种基于网站相关推荐聚合和电影本体知识的电影推荐方法。首先利用电影属性及影人属性构建本体模型,通过用户历史记录获取用户当前兴趣模型,计算用户对不同属性的偏好权重。通过聚合技术获取若干网站对用户最近看过的电影的相关推荐作为待推荐电影源。利用SimRank方法和加权相似度计算电影与电影或电影与用户兴趣模型之间的相似度,向用户推荐电影。实验结果证明,本方法推荐准确率在用户个人推荐场景下较现有方法提高了约10%,且电影相关推荐比对比方法提高了11.4%；同时在一定程度上解决了稀疏性、冷启动等问题。2.提出一种基于对分网络和用户聚类的评分预测方法。首先将用户对电影的行为记录利用对分网络来表示,通过对分网络的路径信息得到用户之间的相似度,利用评分时间、评分差对相似度进行修正,挖掘用户之间的关联性。利用谱聚类算法将用户聚类成兴趣组,最后利用兴趣组中邻居用户的评分信息预测用户对未知电影项目的评分。本文在标准数据库上验证此方法的有效性,结果证明,本方法的平均绝对误差低于对比方法达10%。3.将上述推荐方法应用到电视乐系统的推荐模块中,推荐形式包括：用户的个性化推荐列表以及某一点播视频的相关推荐。