移动通信技术、互联网技术和智能终端设备的共同发展促进了移动互联网业务的兴起。如今移动互联网已经成为人们生活中不可或缺的一部分,并且保持了高速发展势头。而良好的用户体验质量(Quality of Experience, QoE)将会是支撑移动互联网发展的重要条件。关于QoE评估的研究吸引了众多专家学者,并有很多优秀的研究成果。然而大多数研究所考虑的因素都局限在便于观察测量的客观因素,而很少研究QoE与用户主观因素的关系,这就导致QoE的评估是基于用户群体的统计,其粒度难以精细到单用户单业务。针对这一研究现状,本文提出了个性化QoE评估,并对具体的评估方法进行研究。具体研究内容包括：首先,本搭建了一个用于搜集个性化QoE相关数据的数据搜集平台。此平台可以提供在线视频播放服务,并同时搜集相关的用户数据,这些数据可以为个性化QoE评估提供研究基础。其次,本文研究了用户主观特征中最重要的因素之一——用户偏好与QoE的关系,根据已有的研究成果总结出三条性质,并建立了与之相符合的数学模型。此QoE模型与传统模型的最大区别在于考虑了用户的主观特征,由此可以体现出用户的个性化差别。个性化QoE评估模型中的核心部分是用户对业务的偏好,在实际的应用中,靠用户反馈得到用户针对业务的偏好是不现实的,因此需要对用户偏好进行合理预测。而这需要依靠机器学习技术来完成。在分析研究了不同的预测模型和算法后,本文建立了一个三层贝叶斯图模型,从下到上依次是可观察特征层,隐藏特征层,偏好预测层。由于此模型的训练算法没有解析最优解,且包含隐藏特征,所以采用期望最大化(Expectation Maximization)算法进行训练,其中在求期望的步骤用了蒙特卡罗(Monte Carlo)法进行简化。随后本文使用MovieLens数据集对所建模型进行了验证,并从各方面分析了模型中各参数变化对模型带来的影响。实验结果表明,贝叶斯图模型的性能较经典的矩阵分解模型有显著的提升。其均方根误差(Root MeanSquare Error, RMSE)相比矩阵分解模型降低了13%。考虑到受限波兹曼机(Restricted Boltzmann Machine, RBM)有较强的隐藏特征抽取能力,本文随后建立了基于RBM的协同过滤模型对用户偏好进行预测。模型的训练使用了经典的对比散度(Contrastive Divergence, CD)算法。为了解决冷启动问题并进一步提高模型效果,本文对模型进行了扩展,将用户可观测特征作为额外的可见节点融合到模型中。通过实验,本文分析了不同参数对RBM协同过滤模型的影响,对比了扩展前的模型与扩展后的模型。实验结果表明,对模型进行扩展后,模型的性能得到显著的提升。