本文使用基于协同过滤的算法处理用户观看节目的数据，解决两个问题：1、为用户推荐新的电视节目；2、对用户进行画像分析，为用户打上个性化标签。
针对问题一，首先对收视和回看的历史信息进行预处理，删去观看时间不足5分钟的信息，得到每个用户对每个频道的观看时间占比及观看频率。然后，通过将用户观看频率与观看时间按一定权重进行整理，使用基于用户的协同过滤算法(userCF)，计算出用户相似度矩阵。接着，根据用户点播信息，计算得到节目点播金额占比、观看时间占比及观看频率，同样按一定权重进行整理，得到点播用户总频率，通过基于物品的协同过滤算法(itemCF)，计算节目相似度矩阵。然后利用节目的相似度和用户的历史收视数据，给点播用户生成推荐列表；根据用户相似度矩阵与点播用户总频率，生成未点播用户推荐列表；整合点播与未点播用户推荐表。运用同样的方法整理附件2的电视产品数据。最后，整合附件1与附件2的推荐表，得到用户推荐节目清单。
针对问题二，首先根据节目类型和适宜人群构建产品标签体系。其次利用入网时间、观看节目及观看时间，构建用户标签体系。然后，建立标签编号，为电视产品信息进行标签编号，得到产品数据标签，进而得到已标签用户推荐表。最后，结合用户相似度矩阵，计算未标签用户的标签推荐列表，最终整合得到用户数据标签及用户推荐标签。
研究结果表明，协同过滤算法能够有效地根据用户的历史行为数据，为用户推荐个性化的电视节目，并对用户进行画像分析，为用户打上个性化标签。该方法能够帮助商家更好地了解用户的喜好，进行精准营销。
