随着宽带技术的发展,通过网络传播多媒体内容也变得越来越高效,由此带来的一个典型的应用场景就是交互式网络电视(Internet Protocol Television,简称IPTV),近年来,IPTV越来越受到用户的青睐,根据工信部最新数据显示,截至2018年6月末,基础电信企业发展的IPTV用户总数达1.42亿户,上半年净增2002万户,用户规模持续稳步增长。在这样的发展速度下,未来IPTV网络中的各类业务强调的不仅仅是传输速度、带宽等这些网络硬指标,更注重的是用户在接受这些服务过程中的整体感受和体验。基于此,在本论文中我们主要研究了基于用户兴趣挖掘的用户体验质量关键技术提升方法,论文的主要研究工作主要体现在如下三个方面:首先,基于统计学知识对数据进行预处理工作,提出了一系列数据预处理的方法,包括数据清洗、异常值判别与处理、数据归一化。然后,在对IPTV用户收看电视的行为进行分析时,提出两种对用户兴趣挖掘的建模方法,第一种是基于电视节目的标签和用户的观看时长,提出基于高斯混合模型(Gaussian Mixture Model,简称GMM)的聚类算法生成用户观看行为向量,以此来表示用户观看电视节目的兴趣模式,便于分析和进一步使用该特征;第二种是基于attention机制的递归神经网络(Recurrent Neural Network,简称RNN)用户兴趣挖掘模型,直接根据用户的历史观看记录生成用户对当前电视节目的兴趣分。实验结果表明,这两种建模方式都能有效地挖掘用户特征。最后,提出基于改进的人工神经网络预测模型对用户体验质量QoE进行预测。首先对影响用户体验的关键因素进行了分析,将其主要分为两个方面,一是服务层面的影响因素,主要指内容、网络以及设备相关的因素,二是用户层面的影响因素如用户兴趣。然后基于用户观看行为序列特征和用户兴趣特征,分别提出了两种神经网络结构,最后将所提出的模型与传统的支持向量机和决策树模型进行了性能比较,实验结果表明,用户体验质量QoE与用户兴趣密切相关,所提出的基于改进的神经网络用户体验预测模型具有更高的准确性。