伴随着互联网技术的快速发展,交互式网络电视(Interactive Personality TV,IPTV)已逐渐成为用户观看视频的首选平台。然而,IPTV平台上大量的视频资源,使用户很难在短时间内找到理想的视频节目。如何利用信息技术帮助用户快速找寻目标节目、提升用户体验,是IPTV平台面临的难题之一。目前,个性化推荐是一个很好的解决方法,它能够基于用户的收视记录,挖掘并构建用户兴趣模型,进而实现视频节目的精准推荐。为提高IPTV个性化推荐的准确率和效率,课题重点研究了基于用户兴趣模型的个性化推荐方法。首先,对用户收视行为数据进行预处理,清洗噪声数据,提高数据质量;然后,利用用户收视图像来表征用户收视行为,并引入卷积神经网络图像分类方法,实现对IPTV用户的分类;其次,针对有稳定收视习惯和没有稳定收视习惯的两类用户建立不同类型的兴趣模型,并着重研究了基于时间-标签的用户兴趣模型挖掘方法;最后,利用IPTV平台提供的用户历史收视行为数据验证了本文提出方法的有效性。文章创新点主要包括以下两方面:1)针对IPTV用户历史收视数据多、家庭成员兴趣爱好复杂、收视习惯不稳定的特点,首次采用用户收视图像来表征用户行为,该图像不仅包括收视时间、收视长短而且包括收视内容。因用户收视图像包含大量的用户行为信息,同时考虑卷积神经网络能通过卷积层、池化层的功能完成对用户收视图像的分类,为此引入卷积神经网络方法,提出基于卷积神经网络的用户收视图像分类方法,实现对IPTV用户的分类。实验结果表明用户收视图像分类模型的准确率接近90%。2)针对有稳定收视习惯的用户,提出基于聚类和关联规则的时间-标签用户兴趣模型挖掘方法。充分考虑用户的收视兴趣、收视时间、收视时长等众多因素,通过关联信息数据对用户的历史收视行为习惯进行深度挖掘,构建精准的IPTV用户兴趣模型,提高视频推荐的准确率。实验表明基于此模型的视频推荐准确率有显著提高。