随着互联网的飞速发展,大数据已经成为时代的热点之一。在此背景下,网络用户行为数据量急速增长,而商家迫切需要通过对这些数据分析来了解用户的兴趣爱好,以便于向用户做精准的广告投放和适合用户需求的个性化推荐来达到利润最大化的目的,而用户也需要商家对自己的行为数据分析之后,有针对性的提供用户自身感兴趣的信息,从而享受更加便利快捷的服务。目前,已经有许多学者对用户行为分析做了相关研究。然而在数据量日益增大的情况下,传统的数据库技术已经难以满足需求,近年来,各种大数据技术应运而生,Hadoop、Spark等平台为处理海量的用户行为数据提供了技术支撑。本文在研究了神经网络的多种学习方法后,针对基于梯度下降算法的神经网络收敛速度慢,易陷入局部最优问题与基于进化算法的神经网络计算量过大的缺点,提出了一种使用BSA算法改进神经网络的算法——BSANN算法。BSANN算法利用群智能算法计算简单的特点来加快神经网络的学习速度,全局搜索能力强的特点提高神经网络的准确率,同时利用BSA算法中的迁移概念避免了陷入局部最优解的问题。在此基础上,本文对电商网站的用户行为数据进行了分析,建立了相应的神经网络模型并从其中提取了神经网络的输入特征,对用户的消费行为进行预测。通过训练与测试,将BSANN算法与BP算法的效果进行了对比,验证了BSANN算法的可行性和有效性。本文基于以上研究,将BSANN算法并行化,在Spark平台上完成运行,设计实现了基于Spark的用户行为预测系统。该系统以鸟群优化算法改进的神经网络算法BSANN算法为核心,预测电商网站用户的消费行为。