互联网的快速发展使得智能电视、双向机顶盒等电视新技术不断出现,而利用双向机顶盒数据对电视用户进行画像和推荐的研究也层出不穷。目前,绝大多数研究都是将共享同一个电视账户的用户看作一个个体来对待,然后通过分析用户历史观看的节目数据完成用户画像和节目的个性化推荐,但是将一个电视账户看作单个个体忽略了电视媒介的最大特点——面向数量大于等于一的家庭集合,因此为了提高电视用户画像的准确率和推荐的精确率,对一个电视账户进行家庭成员识别就显得至关重要。然而不可忽略的是,电视用户家庭成员显式信息无法直接获取是进行家庭成员识别的一道难关。针对目前电视节目推荐领域所存在的问题及面临的挑战,本文提出了一种新的对电视用户进行家庭成员进行识别与用户画像的方法,以期通过细化电视用户组成情况来提高推荐系统的性能。本文主要工作内容如下:1)创新性地提出了以节目为节点、节目之间相似度为边权的节目网络图的概念,并基于该网络模型选用了社区发现算法来搜索节目“社区”从而完成电视用户家庭成员识别与画像。2)针对电视用户历史观看数据中用户显式信息的不足和节目类型标签的单一性,本文通过挖掘微博数据中与电视节目相关的微博用户的信息来完善成员识别与用户画像所需要的数据,并根据节目网络图的特点对机顶盒数据和微博数据进行了数据清洗和特征抽取。3)针对Electronic Program Guide(简称EPG)数据与微博数据所涵盖信息含义的不同,本文设计了简单的节点间综合相似度的计算方法,并可通过改变两类数据权值比重的变化,观察微博数据对于节目推荐准确性的影响。4)最后,本文设计了三种对比实验来验证本文所提出的方法的有效性。实验结果表明,相比于将电视用户看作个体进行画像和推荐,本文方法能够显著提升推荐的准确率。