近年来,互联网和大数据的落地应用在各行各业不断开花,人们的行为被广泛记录并由此产生了大量包含用户行为信息的数据,这些数据对企业和行业具有重大的管理意义和商业价值。与此同时,当前各领域的用户行为不仅包含用户正常行为,也包含用户异常行为,而用户的异常行为在生产生活中常常导致了不同程度上的问题,如何分析发现用户的异常行为并采取相应的措施是当前诸多领域亟待解决的问题,当前火热的机器学习技术和海量的用户行为数据为解决用户异常行为分析问题提供了方向,通过基于机器学习的用户异常行为分析方法可以更加充分利用用户行为数据,准确地识别用户的异常行为,从而采取及时措施。通过调研机器学习在用户异常行为分析场景的研究成果发现,当前主要存在两方面问题,一是基于单一行为模式的传统机器学习方案缺乏有效性和普适性,二是大量用于异常行为分析的深度学习方案未能充分考虑用户行为的序列特征且缺乏区别对待用户行为序列信息的能力。针对这些问题,本文提出了一种基于学习的用户异常行为分析方法。具体来说,本文方法包含集成学习模块和深度学习模块以及结合两者优势的加权计算模块。集成学习模块创新地设计了一种基于Stacking方式的集成学习方法通过在基础分类器之上堆叠训练元分类器融合了多种用户行为模式,克服了单一行为模式下的问题;深度学习模块设计引入了一种添加注意力机制的双向门控循环单元网络(BiGRU),为用户行为序列建模,充分考虑了长期依赖问题和序列前后状态等特征,并筛选了序列中对分类的高价值信息;加权计算模块对两个学习模块的分类概率结果进行加权计算,充分结合了手动提取特征和自动提取特征的优势。本文在原始BPI Challenge 2011数据上生成四份数据样本分别进行了多组对比实验,模型评估指标不仅选用了 F1-score和AUC等分类模型综合指标,并对用户异常行为分析场景下漏报和误报的代价情况定义了 Cost指标,通过对比实验结果,充分验证了集成学习模块、深度学习模块和总体建模方案的合理性和优越性。