用户识别问题是数据分析和挖掘中的重要问题之一,旨在实现对关联到某些资源信息的人的身份进行验证。通常情况下,研究人员利用与用户相关的数据资源,提取可以作为用户身份标识的特征,通过特征降维、选择等操作后,使用相似性度量方法对用户的特征进行相似度匹配,输出相似度最大的结果作为识别结果。用户识别问题在个性化推荐、信息取证和隐私保护等领域具有广泛的应用和重要的研究价值。在用户识别问题研究中,特征的选择和构造,以及特征的相似度匹配,是关乎识别效果的两个重要方面。本文紧紧围绕这两个方面展开相关的问题研究。主要工作如下:特征集合的构造方面:本文利用IPTV用户观看记录数据集,关注其中的频道这一项,产生用户在时间顺序上的项目序列,之后从项目序列中提取特征。关于特征提取和构造方法,本文提出了混合多模项集热度排序处理方法和可扩展多模项集构造方法,分别从特征集合构造的固定数目和固定比例的两个不同角度,提取出频率较高的项集构成特征集合。实验证明,多模项集的构造确实有助于提高识别精确率,并且,提出的两种特征构造方法的确行之有效。相似性度量方面:为了准确衡量用户特征集合间的相似度,在Jaccard系数的基础上,本文提出了基于影响值的相似性度量方法,可以达到与Jaccard系数相当甚至更高的识别精确率;结合KL散度,本文还提出了SJKL方法,该方法的效果比Jaccard系数和KL散度更优。识别结果决策方面:本文提出了基于交集的多种相似性度量方法的融合决策方案,虽然带有一定的拒绝率,但该方案相比于单独使用一种相似性度量方法,可以实现更高精确率的用户识别决策。总而言之,本文聚焦于IPTV用户数据,着力实现用户的身份识别。通过对用户识别中的相关问题进行研究,本文提出了有利于提高识别精确率的特征构造方法、相似性度量方法、识别结果决策方法,为个性化推荐、隐私保护等领域的研究提供了重要的借鉴意义。同时,本文提出的方法在用户识别的其他类似场景中同样适用,具有一定的普遍适用性。