当前电视逐渐向网络化、智能化发展,传统的电视只能单纯的从广电服务中心接收信息,现在的电视更多的带有和互联网的交互功能,这样电视从单向的接受变成了双向的交互,如何充分的利用当前电视智能化网络化的特点是当前研究的新方向。现阶段电视用户分类数据严重缺失。而社交媒体分类数据相对容易获得,考虑到两者的弱关联,社交媒体数据可能对电视用户分类提供帮助。本研究课题为解决现有智能电视用户分类研究的不足,并且由于真实的用户分类信息采集困难,数据量过少且难以进行分类等相关问题。搭建神经网络并通过迁移学习方式解决。主要工作包含以下几个方面。1、根据实验室提供的某地区真实用户数据将用户进行分类。但是因为真实的用户分类数据量很少,为解决真实电视用户分类数据量过小的问题,尝试通过挖掘具有弱关联关系的大量“微博电视用户数据”作为训练数据。2、通过社交网络分析,挖掘用户和信息,提取用户特征和观看热点节目的关系。通过微博话题机制找到该话题下的用户,依次进行访问。抓取用户具体信息并存储在数据库中。3、通过神经网络的方法,建立用户观看热点节目和用户特征之间的模型。将微博数据分词后通过词典匹配用户的“相关爱好”,对用户进行相应分类,根据分类结果构建用户的训练数据,搭建多层神经网络进行训练。4、为解决“微博用户群体”和“真实电视用户群体”不完全重合问题,将上文中搭建好的用户模型,通过迁移学习的方法代入参数,用真实的电视用户分类数据进行训练。生成新的经过迁移学习后适用电视用户数据的模型用于预测真实的电视用户分类。5、利用前面通过迁移学习训练出来的模型对该地区智能电视用户进行用户画像,并对比微博数据和真实的电视用户分类数据,分析实验结果。实验结果表明,通过神经网络和迁移学习搭建的模型可以获得更接近真实用户分类分布的信息。