随着互联网的发展,网络协议电视(IPTV)迅速普及,其海量的视频资源及优质的服务吸引了广大用户。然而,随着网络信息承载量飞速增长,IPTV中的视频资源层出不穷,这不但给用户寻找节目造成了一定的困扰,也直接影响了用户对IPTV平台的满意度。因此,需要对IPTV用户行为进行研究,挖掘用户的实际需求,提升用户收视体验。IPTV用户行为研究不仅可以挖掘用户在不同时段的兴趣,而且可以通过用户收视兴趣对用户聚类,进而分析用户成员特点。本文根据IPTV用户收视行为数据的特点,针对IPTV用户行为做了两方面的研究,分别为用户行为模式挖掘与用户兴趣模型建立。论文主要工作如下:(1)本文提出了基于时段-时长耦合LDA的用户行为模式挖掘方法。时段-时长耦合LDA模型在主题模型LDA的基础上加入了时间与时长信息,该模型中刻画用户兴趣主题和收视时段的隐变量联合决定了收视记录中的观看节目、观看时间和观看时长,并通过Gibbs采样对上述隐变量进行推断。实验结果表明,时段-时长耦合LDA模型不仅可以得到相关性更高的兴趣主题,而且可以更加精确地挖掘到用户在不同时段的收视兴趣分布。将该模型用于IPTV节目推荐,相较于传统的c LDA,推荐效果有显著提升。(2)本文建立了多因子融合策略用户兴趣模型。该模型用词向量挖掘节目之间的关联并量化了多种收视行为对用户兴趣的贡献。首先,用词向量模型根据用户收视节目记录中各记录之间的前后关联来学习IPTV节目的向量表示。然后,量化不同收视行为对用户兴趣度的贡献,主要包括收视记录中的各种行为(观看、浏览、收藏、时长)和节目在收视记录中出现的频次。其中,在时长方面,结合用户观看时长与节目本身时长,提出一种量化策略。最后,结合TF-IDF方法与用户的各种行为特征对IPTV节目向量进行特征加权来生成IPTV用户兴趣向量,建立多因子融合策略用户兴趣模型。实验结果表明,IPTV节目向量可以准确地表征节目之间的相似度。多因子融合策略用户兴趣向量可以通过聚类算法将相同年龄、性别、兴趣的用户聚集在一起,进而分析家庭成员的特点与收视喜好。