随着多媒体技术的发展以及三网融合的进一步深入与推进,交互式网络电视(IPTV)正获得越来越多的关注与青睐。IPTV集互联网、通讯、网络等多种技术于一体,基于现有IP网络提供多样化和人性化的用户交互式服务。随着IPTV用户的增多,如何提升用户满意度,更准确的预测用户体验质量成为新时代留住用户、提升用户黏性的核心竞争目标。基于上述挑战,本文进行了三方面的研究工作,具体的工作和贡献如下:首先,提出主客观特征相结合的特征选取方法,从客观特征选择与主观特征构建两方面对数据特征进行处理。客观特征选择主要是从相关性分析和信息增益两方面来计算特征字段与预测目标之间的关联性,充分保留有效信息。主观特征挖掘从用户偏好方面入手,揭示用户观看体验质量分布与用户个人偏好和节目热度的关系。本文提出的主客观特征相结合的特征选取方法,在去除冗余特征降低模型复杂度的同时可以考虑到时间偏好和节目偏好的影响,帮助后续模型更好的训练与预测。其次,研究基于动态时间规准(DTW)和协同过滤的用户画像方法,从两个层面分析用户观看行为从而最终完成用户画像。一方面,从用户观看时间角度分析。基于DTW方法计算用户观看强度变化与典型观看强度变化之间的距离值,完成一次画像。另一方面,从用户观看内容角度分析。基于协同过滤方法计算用户偏好与群体偏好之间的杰卡德系数值,修正一次画像结果从而完成最终画像。最终将用户群体划分为青年用户、老年用户以及非典型用户,有效把握群体特点从而为后续模型预测提供优势。最后,提出基于改进神经网络的IPTV用户体验质量预测模型。基于用户行为记录的前后依赖性,本文选择长短期记忆网络(LSTM)预测模型来更好的把握数据之间的长短期依赖。针对LSTM本身的计算复杂度高等局限性,分别提出LSTM-SVM模型和LSTM-DT模型。改进后的模型可以在LSTM考虑到长短期依赖的前提下,兼顾支持向量机(SVM)和决策树(DT)的分类优势。实验结果表明特征工程可以在不改变模型复杂度的基础上有效的提升实验预测准确度。同时,根据用户画像结果可以实现有类别有针对的基于用户模式的预测模型选择。