随着电视技术与互联网的高速发展,传统的单向接受信号的电视发生了巨大改变,人们现在可以在家中通过智能电视或者安装双向机顶盒来获取海量的电视节目,与此同时电视服务商也能够实时、准确的获取到电视用户所有操作数据。为了给电视用户推荐更符合用户口味的电视节目和更契合用户需求的广告,通过分析用户的收视行为数据构建准确的用户画像就显得至关重要。传统的电视用户画像方法一般先从电子节目表单系统(EPG)获得节目的标签,然后通过分析用户与电视节目的关系从而得到用户画像标签,但是由于EPG标签主观性太强、最后得到的标签覆盖面窄等原因而具有一定的局限性。本文针对如何使用公共微博数据提升电视用户画像的准确率进行了研究,其核心在于本文将处于不同平台的微博用户与电视用户相关联,使用准确的微博数据完成电视用户画像预测。具体工作内容包括:1)介绍了电视用户画像的背景与意义,研究并确认微博用户含有对电视节目关注的行为并且拥有准确的用户画像信息;2)设计了高效网络爬虫以获取微博数据,并使用分词算法、配置词典、TF-IDF从博文中挖掘出了微博用户关注电视节目的特征;3)对大量电视用户收视数据进行清洗,得到电视用户关注电视节目的特征;4)将微博用户与电视用户相关联,设计了用户画像标签集,对每个标签使用微博数据构建分类预测模型,并使用该模型对电视用户进行用户画像预测;5)为了检验用户画像的准确性,使用某市一个月的真实收视行为数据,采用基于内容的推荐系统,检验了基于微博数据的电视用户画像方法的有效性。实验结果表明,本文所述方法相比于传统方法无论在准确率还是AUC值上都有明显的提升。