随着互联网的发展,IPTV(交互式网络电视)在人们生活中的应用越来越广泛。不同于普通电视,IPTV上的用户可以与电视进行交互,用户的行为更加个性化。分析用户的行为数据并挖掘出用户的行为模式,可以发现用户的收视偏好,从而进行针对性的节目推荐,制定个性化节目菜单,也可以根据用户的行为模式进行针对性的广告投放。主题模型是一种分析大规模文本的统计模型,它可以将高维的文档-单词空间映射到低维的文档-主题空间和主题-词空间,从而实现文档的聚类,潜在主题的挖掘等。IPTV的用户行为数据以文本形式存在,每个家庭的行为数据可视为一篇文档,因此可以用主题模型从用户行为数据中挖掘用户的行为模式。本文首先分析了IPTV用户的行为数据特征,IPTV用户一般为一个家庭,家庭中不同成员收看节目的时间一般不同且IPTV用户的行为记录有收视、收藏和浏览记录。然后基于以上特征,本文提出了多行为时间耦合的主题模型(Multiple behavior coupled Time LDA,MT-LDA),用以挖掘用户的行为模式。最后,本文提出了该模型的在线学习算法,该算法可以在新的行为数据产生后迅速更新模型,并且捕捉用户行为模式发生的变化和主题的演化过程。本文的创新点如下:1)本文提出了基于用户多种行为的MT-LDA模型,该模型改进了cLDA模型,综合了用户的收视、收藏和浏览记录,及这些行为记录产生的时间信息来挖掘用户的行为模式。实验结果表明该模型可以得出电视节目的隐含主题,并且可以得到每个家庭不同时间主题下的收视偏好分布,相比于cLDA模型,MT-LDA模型得出的同一个主题下的节目相关性更强,MT-LDA模型的困惑度低于cLDA模型。2)本文提出了MT-LDA模型的在线学习版本online MT-LDA,将数据逐个时间窗传入模型进行训练,新数据到来之后不需要对全部数据进行重新训练,只需要训练新加入的数据即可更新模型。Online MT-LDA可以发现主题随时间的演化过程,可以更准确的发现不同主题下的节目热度变化;也可以发现用户行为模式随时间发生的变化,从而提供更精准的个性化服务。