近年来,越来越多的家庭购买了智能电视并将其接入互联网,主要目的之一是在电视屏幕上观看在线视频。相比于传统广播电视服务,智能电视在线视频服务提供了更加丰富多样的视频内容,并且使得视频观看体验更具互动性和个性化,用户可以在方便的时候选择自己喜欢的视频观看。在线视频服务的一个关键支柱是推荐系统,自动从巨大的视频资源库中找出比较符合用户兴趣的少数视频。为了优化系统资源配置并向用户提供更好的服务,有必要从不同方面深入理解智能电视用户群观看在线视频行为的特点和规律,分析影响推荐性能的关键因素,并设计有效的推荐算法。本文以国家自然科学基金项目为依托,基于海信智能电视用户观看在线视频的大规模日志数据以及其它基准数据集,围绕用户行为分析和推荐系统展开一系列研究。本文的主要工作和创新点如下所示:(1)发现了智能电视用户的在线视频观看行为在群体层面存在的一些时间模式,并分析了假期效应,以及不同视频类别的时间动态性,基于此的时间划分方式提升了时间敏感的推荐算法的视频推荐效果。时间是影响收视行为的关键情境因素之一,人们在智能电视上观看在线视频的时间受到每日每周繁忙和闲暇时间周期的影响。每个家庭每天的各个小时里在智能电视上观看在线视频所花费的时间被表示为24维特征向量,通过聚类发现了几种可解释的日模式,它们的高峰时间出现在一天的不同时段,并与广播电视行业的时段划分基本对齐。根据每个家庭多天的观看行为和几种日模式的关系,可以区分出几种日收视习惯,它们粗略地刻画了不同家庭的习惯差异,同时也反映出一些时段之间的相关关系。以周为单位的聚类分析发现了几种各具特点的周模式,它们都呈现出周期性,周期为24小时,说明群体的观看行为存在某种“昼夜节律”。进一步的统计分析证实了智能电视用户群观看在线视频行为中存在假期效应。另外,对不同视频类别的流行度在一天24小时中的变化规律进行分析,发现某些视频类别在特定的时段内更受欢迎。基于此对一天的时间进行更合理地划分,提升了时间敏感的推荐算法的视频推荐效果。(2)发现了一种新的对智能电视上在线视频推荐性能有重要影响的用户行为特点——兴趣分散集中性,设计了基于物品的协同过滤的四个变种,并分析了兴趣分散集中性对推荐列表的准确率、多样性和流行度的影响。在传统的推荐系统中,一个账户对应一个用户,但是一台电视通常对应一个共享账户,观看历史记录来自兴趣各异的多名家庭成员,因此兴趣的分散集中性会影响智能电视上的视频推荐性能。首先定义一个家庭的兴趣集中度,即一台电视上播放过的视频之间的平均相似度,进而区分出兴趣较集中的家庭和兴趣较分散的家庭。然后设计了基于物品的协同过滤的四个变种,用于top-N推荐任务,其区别主要在于推荐依据选择策略和排序分值计算策略。最后通过实验证实兴趣较分散的家庭得到的推荐列表的准确率明显低于兴趣较集中的家庭,而多样性和流行度方面的差异取决于不同算法采用的推荐依据选择策略和排序分值计算策略。(3)提出了一种知晓标签相关性的物品表示方法,缓解输入数据和物品表示的偏见,改善推荐效果及物品表示的可解释性,并且设计了两种评价指标分别从低维隐含空间中的单个维度和局部邻域两个视角衡量物品表示的可解释性。最近,物品和物品之间的共现关系被用来学习物品表示,然而由于用户-物品交互矩阵的稀疏性以及物品流行度的长尾现象,物品和物品之间的共现信息存在偏差。通过可视化分析发现,输入数据中的这些缺点会致使所学出的物品表示的向量长度存在对热门物品或冷门物品的偏向。由于标签信息比较容易从多种数据源获取,受物品流行度的影响较小,而且富含语义信息,利用物品和标签之间的相关性信息有助于克服输入数据的缺点,缓解物品表示的偏见,并改善物品表示的可解释性。具体而言,本文对用户-物品交互矩阵、物品-物品共现矩阵和物品-标签相关度矩阵进行联合分解,并且在三部分之间共享物品的隐含特征表示,这样不同形式的信息可以互相合作指导物品表示的学习。另外,本文设计了两个指标分别从两个角度对物品表示的可解释性进行量化评估.:低维隐含空间中各个维度的可解释性和局部邻域的语义一致性。实验证明,利用物品和标签之间的相关度信息可以提升推荐效果,用户-物品交互矩阵越稀疏,效果提升越明显。另外,低维隐含空间中物品表示向量的长度对热门物品或冷门物品的偏向得到一定程度的缓解,同时物品表示的各个维度的可解释性和局部邻域的语义一致性也得到了改善。