随着互联网技术的发展和三网合一的推进,网络电视(IPTV)得到了快速普及。为了更好地理解网络电视用户收视行为特征,本文从多角度对网络电视用户行为进行建模,并且对7200万条实际用户行为记录进行了统计分析,最后提出了一种基于用户时隙频道热度的推荐方法。首先,本文介绍了国内外有关网络电视用户行为分析与预测的研究现状,然后对网络电视系统相关技术、用户行为分析技术以及推荐预测技术进行了介绍。在第三章对网络电视用户行为数据集进行介绍和预处理,并且提出了以用户为对象的收视状态转移模型—ISP模型,然后根据观看时长的不同对用户观看模式进行分类,获得的网络电视用户行为认知点K1;根据用户产生的连续两条记录间隔时间差对切换行为模式进行辨别,提出了一条用户状态迁移判别规则K2。在第四章对整个网络电视用户群体、热频道、中热频道以及冷频道在线人数进行统计分析,我们可以利用整个用户群体在线人数变化特点和各频道在线人数变化特点动态合理分配资源,最大化资源的利用率;在精确表达网络电视频道收视率分布方面,发现比Zipf分布估计更高精度的高阶线性拟合函数,为更精准的频道收视估计与预测提供了高可用的模型;对频道的流动态:到达率,离开率以及在线人数变化率等进行了分析,获得IPTV用户行为的一个基本特征K3:用户集体逃逸特征,我们可以利用用户这种收视特征来预测用户的切换时机。然后对用户个体收视行为进行了计算与分析,发现用户观看电视行为与观看时间有一致性,并且用户观看行为与切换行为具有一定的正相关性。我们可以利用个体用户频道观看行为和频道切换行为的特点,更好地刻画用户画像,为个性化精准推荐提供依据。接着从不同用户、不同天、和不同时刻三个角度统计分析测量了用户真实的频道切换延迟,频道切换延迟的分析可以为网络电视运营商了解用户真实的切换体验和完善网络电视系统提供了依据。最后,根据用户观看电视行为和观看时间具有一致性的特点,本文在第五章提出了一种基于用户时隙频道热度的推荐方法。总之,本文研究是视频直播类用户行为分析计算的基础,构建了以精准收视率为核心的新媒体用户行为调查基本理论框架。对扩展用户收视特征的研究,并发展用户行为模式识别、智能推荐与预加载算法研究,具有基础性的意义,并有利于改善资源配置,提高IPTV用户体验质量(Qo E),为获取宏观和微观的用户行为认知图谱提供了方法,为发展精准内容推荐与广告推送提供数学工具。