与传统电视相比,智能电视用户行为收视数据的大小呈现出了爆炸式的增长,如何从大量的收视数据中挖掘出用户对于节目的偏好也成为了人们关注的焦点,因此个性化电视节目推荐系统应运而生。本文建立了融合时间效应的收视上下文模型,通过收视上下文模型实现评分矩阵的稠密化处理和隐式偏好的挖掘,利用降噪自动编码器技术对于收视特征向量进行空值处理和隐含特征兴趣提取,最后提出了基于收视上下文模型和降噪自动编码器技术,并且兼顾考虑明星效应因素的协同过滤节目推荐算法。本课题的主要研究内容如下:1、提出了基于收视上下文模型的用户偏好度计算方法。智能电视用户对于节目的显式评分矩阵极为稀疏,不能很好的反映出用户对于节目的喜好程度。本文基于智能电视用户的收视上下文信息,从常规维度和时间相关维度来充分挖掘用户对于节目的隐式反馈,通过与用户的显式反馈相结合来获得融合时间效应的用户-节目偏好度,可以将其看作一个较为稠密的用户-节目评分矩阵。2、提出了改进的基于降噪自动编码器的节目推荐算法。首先,用户-节目评分矩阵中仍然包含着一些“NULL”值,因此不能直接将该矩阵输入到现有的降噪自动编码器模型中。本文在降噪自动编码器的编码和解码过程中分别加入一个平衡矩阵,通过此方法将稀疏的、有空值的用户评分向量转变成立一个更有效、更为稠密的隐含层特征向量。然后,考虑到用户的观看行为也会受到明星效应的影响,本文提出了基于明星效应的用户相似度,通过在协同过滤算法中与基于用户特征向量的用户相似度进行融合得到最终的用户相似度,生成了 Top-N节目推荐列表。实验结果表明了本文算法在保证推荐结果的准确率的前提下,同时提高了挖掘冷门节目的能力,验证了本文算法的有效性与优越性。