互联网和物联网已经渗透到人们生活的方方面面。其中,交互式网络电视(IPTV)改变着人们日常观看视频的方式,随之而来的则是用户对IPTV服务质量的要求越来越高。传统耗时耗力的用户打分方式已经不能满足视频内容供应商和网络运营商对用户满意度的评价,取而代之的是通过利用采集到的海量数据,来评价用户体验质量(QoE)。因此,如何客观、有效地衡量具有主观特性的用户QoE成为当前研究的热点和难点。基于此,在本论文中,我们针对与用户QoE密切相关的用户参与度,并选择具有客观特性的用户观看时长来开展研究。首先,我们对IPTV机顶盒采集到的数据进行预处理和特征选择,而后设计相关的模型和算法来建模并预测用户观看时长,从而实现数据驱动的IPTV用户参与度的预测。论文的主要研究工作体现在如下三个方面:首先,对IPTV机顶盒采集到的数据进行预处理和特征选择。针对数据记录中存在的缺失、重复情况,对其进行整合与清洗。此外,对采集到的数据进行了特征选择。在Relief算法的基础上,融合聚类方法,提出了一种混合式特征选择方法。理论分析及仿真实验结果表明,该方法可以有效地提取出对参与度预测最有价值的特征属性。接着,在特征选择的基础上,建立能够反映用户参与度的用户观看时长预测模型。具体而言,将分类回归树(CART)与k近邻(KNN)回归算法相结合,设计了基于加权KNNCART回归树的用户观看时长预测模型。该模型与现有同类型算法相比,在保证预测准确度的前提下,有效地缩短了预测时间。最后,基于改进的极限学习机建立了用户观看时长预测模型。与传统的预测方法不同的是,极限学习机可以同步完成特征选择和建模。基于AGNES特征聚类,提出了改进的极限学习机建模及预测算法,在确保准确性的前提下,简化了模型结构。