随着信息通信技术的快速发展以及移动设备的普及,越来越多的互联网用户活跃于直播、在线视频、社交短视频一类的流媒体平台上,他们享受着随时随地观看视频、直播等内容的方便与快捷。在当前的Web 2.0时代,用户对产品的交互体验愈加重视。分析并理解用户行为的表现形式、原因和作用,能够极大帮助平台改进交互设计,提升用户体验。若能将用户交互行为加以利用,对流媒体平台和用户来说都具有巨大价值。基于此,本文的主要贡献如下:(1)为深入研究流媒体用户交互行为,本文对直播用户使用交互功能的情况进行了调研分析,提出利用戏剧舞台演出的“中心-边缘”二元空间模型来理解分析直播表演中主播和观众的角色和行为,发现了主播与观众之间独特的直播互动形式及其规律,本文称之为“合作表演”。本文研究发现直播中的“中心”和“边缘”角色是高度动态变化的,也是相辅相成的,这种协同主要基于不同的交互功能。本文的发现为深入研究流媒体中的用户行为提供了理论与实例支撑。在此基础上本文针对基于弹幕的流媒体交互方式进行了深入研究。(2)针对当前视频评分方法所存在的缺陷,本文提出了一种基于弹幕的视频多特征识别以及基于多特征的视频评价方法,目的是为观众提供更真实、全面的参考。本文以电影为例,利用大量弹幕语料训练词向量模型,通过计算特征词的相似度,迭代构建电影特征词词库,再利用Boson情感词典与TF-IDF算法获取各特征下的情感词来构建电影多特征情感词典。实验结果表明,本文所提出方法的电影评价结果与已有方法的评价结果相比,能够针对电影细节方面做出更加准确的分析。(3)本文创新性地提出了一种基于弹幕的视频高光片段抽取方法。高光片段是指一部视频中一些精彩的视频片段。已有针对高光视频片段的识别方法大都基于图像识别技术,而基于弹幕的视频高光片段抽取工作仍处于萌芽阶段。本文首先分析弹幕高能点的特征,根据特征选取两项阈值作为判断高能点的依据,分别是弹幕密度阈值和弹幕密度变化系数阈值,最后再利用弹幕高能点抽取视频高光片段。此方法为视频片段抽取工作提供了一条新思路。实验结果表明,弹幕高能点识别算法的表现令人满意,最终抽取高光片段的命中率将近70%,并且误判率仅为7%,与已有方法相比更准确、可行性更高。