随着智能家庭概念的提出,各种智能电视机顶盒开始进入千家万户。目前比较有代表性的电视机顶盒包括苹果公司的iTV,国内小米电视盒、乐视csl电视盒以及PPTV公司的PPBoX电视盒等等。各种电视盒的核心功能是提供了丰富的视频片源,支持用户根据自己的观看喜好点播和定制节目。如何从海量的节目中推荐用户真正喜欢的内容决定了电视盒产品的用户体验,关系到产品的口碑和市场占有率。兴趣计算是社会计算中的一个子集。简单讲,兴趣计算主要的工作是通过历史记录和用户行为习惯分析,挖掘出用户的兴趣所在,用来最大限度的满足每个用户的个性化需求,进而改善用户的体验。兴趣计算在推荐系统中具有极强的针对性,能够提供相对准确的推荐集。本文针对以上问题,基于社会计算中的兴趣计算概念,提出了RS-TS (Real Satisfaction-Temptation Satisfaction)模型即真实满意度与诱惑满意度模型,结合时间衰减和点击量调整算法,实现了完整的机顶盒节目推荐系统。本文设计并实现的基于兴趣计算的RS-TS模型的机顶盒节目推荐系统可以分为统计模块和推荐模块两部分。统计模块主要完成用户数据的采集和上传,以及对上传数据的准备工作。主要包括数据清洗、去除噪音、数据集成与转换,以及数据消减等内容。推荐模块首先定义了兴趣度计算公式,结合本文提出的RS-TS模型设计并实现了协同过滤推荐算法。为了进一步提高推荐质量,本文采用时间衰减调整算法和点击量调整算法对基于兴趣计算的RS-TS模型的推荐结果进行了再调整,取得了比较满意的推荐节目集。实验和试运行表明,本文设计并实现的机顶盒节目推荐系统具有良好的用户操作体验,在节目推荐满意度上取得了相对较高的口碑,展现出了很好的推广应用前景。同时,本文的工作也对视频类推荐研究具有一定借鉴和参考价值。本文主要内容组织如下：第1章(绪论)首先阐述了本文的研究背景与意义,介绍了本文的主要工作。同时,列出了本文的组织结构。第2章(相关技术和研究背景简介)介绍了当前主要的推荐系统和推荐算法。同时也介绍了社会计算与兴趣计算相关的内容。第3章(总体设计)总体介绍了该系统的概况、RS-TS模型、时间衰减和点击量调整算法。对系统的模块划分和具体功能包括数据库的设计也进行了讨论。第4章(统计模块的设计与实现)详细介绍了统计模块的设计和实现细节,主要包括数据清洗、去除噪音、数据集成与转换,以及数据消减等内容。同时,对收集数据模块po类、用户调查表格、数据预处理相关算法等内容进行了展示。第5章(推荐模块的设计与实现)详细阐述了兴趣度计算公式定义,结合本文提出的RS-TS模型设计并实现的协同过滤推荐算法。同时,对时间衰减调整算法和点击量调整算法进行了详细的介绍。第6章(实验结果与分析)介绍了系统的运行环境,展示了该系统关键部分的运行截图以及推荐结果比较分析。第7章(总结与进一步工作)对该系统做了总结,然后指出系统进一步有待改进的地方和完善的方向。