当今社交网络成为人们获取信息、展现自我、营销推广的窗口,现代社会的每个人都会在社交媒体平台上留下了大量的数字足迹,如何利用社交网络中的海量数据,提供有价值的服务已成为研究热点。用户画像技术是指对用户数字足迹信息进行挖掘实现对用户分类,从而建立用户全貌,为提供更好的服务提供数据支持。用户画像是推荐系统的基础,现有的研究大多是对用户年龄、地理位置、兴趣偏好等维度的用户画像,本文针对传统用户画像模型准确率和泛化性不高的问题,提出了一种双层模型融合的用户画像算法,将人格维度引入用户画像中从而利用画像提高推荐效果,就如何利用社交网络中异构数据构建用户画像以及如何将用户画像应用于推荐系统进行了研究。其主要研究内容如下:(1)针对社交平台上的用户文本数据和社交网络结构数据,提出了从不同视图提取特征,包括使用LIWC心理学词典、LDA主题模型等提取文本特征,使用网络表示学习提取用户网络结构特征,对这些特征在用户画像模型的第一层使用机器学习算法进行人格属性预测。不同模态特征存在语义上的鸿沟,为充分利用不同模态的特征,提出一种多视图融合的神经网络模型,在多模态之间产生深层次的交互,有助于学习到多模态特征间的关联表示从而预测用户人格标签。(2)采用集成学习算法同堆栈结合的双层用户画像方法,将第一层的预测结果作为第二层的输入,进一步提高了模型的准确率与泛化性,实验对比了集成算法与单一模型作为二层分类器的效果,结果表明集成学习算法的预测效果最佳。(3)针对协同过滤推荐算法中数据稀疏性问题,本文提出改进的矩阵分解算法,将用户画像同矩阵分解算法结合,将人格属性从不同维度引入矩阵分解算法,在相关场景和数据集中进行实验,证明了本文提出的改进的协同过滤方法是缓解数据稀疏的有效手段。