随着移动互联网的快速发展以及社交网络的崛起,越来越多的用户通过社交网络进行沟通、互动,社交网络逐渐成为互联网中信息创造、传播、获取的主导力量。而作为传统媒体的电视,其自身的发展也从未停止,积极寻找与互联网新媒体的融合,社交电视应运而生。社交电视改变了传统电视媒体的信息传播方式,用户可以通过社交网络随时随地地进行电视节目的交流与讨论,使得传统电视媒体变成一个具有互动性、大众性的交流平台。社交电视场景下,用户使用社交平台发布和获取电视节目相关的信息,并通过用户的转发迅速扩散,形成海量的用户行为数据,为社交电视节目的个性化推荐提供了坚实的数据基础。在上述背景下,本文研究了基于用户行为的社交电视推荐问题。本文分析了社交电视场景下的用户反馈,建立了基于社交与标签的隐式反馈推荐模型。该模型针对社交电视的丰富的用户评论信息,采用情感分析的方法将其映射成虚拟评分,并用概率矩阵分解模型实现个性化推荐。同时,考虑到系统中存在的冷启动问题,引入用户标签数据,并提出加权语义标签相似度计算方法(WSTSM)来计算标签的语义相似度,以此作为用户相似性的衡量指标,再将用户相似性加入概率矩阵分解模型的正则项来优化推荐。然而,考虑到上述方法得出的虚拟评分仅表示用户对整个节目的情感,忽略了用户对节目每个特征的兴趣,因此,本文改进了上述算法,在情感分析之前,引入主题模型,提取用户对节目特征的兴趣,细化用户兴趣模型,进一步提高推荐准确率。本文基于社交电视推荐的具体算法和模型,设计开发了 一套基于用户行为的社交电视推荐系统,实现社交电视场景下的个性化推荐。