互联网技术的快速发展和广泛使用促进了大规模日志数据的产生和积累。随着数据挖掘技术的迅速发展和成果的显著,用户画像作为数据挖掘领域重要技术之一,为挖掘隐藏在大量日志数据背后的信息提供了一个更加形象具体的方法。网络行为日志数据作为一种具有“智慧”的数据,蕴含了用户众多的基本属性和动态行为属性信息。很多研究者对上网行为日志数据进行了用户兴趣推荐、精准营销等方面的研究。但是这些研究往往只是单纯的构造单一模型,由于各个单一分类模型存在一定的局限性,会给模型效果的提升带来困难。故为解决该问题,本文在充分吸收已有研究成果的基础上,提出了一种基于网络行为日志的用户画像方法。本文主要工作如下:(1)构造了一种多指标融合的特征选择方法,该方法融合了皮尔森相关系数、岭回归、卡方检验、随机森林、基于随机lasso的稳定性选择五种不同类型的特征选择算法;同时基于单特征提取了二元特征和关联特征,解决了特征的稀疏性问题,增强了与目标特征之间的关联性。(2)使用Stacking技术组合多种单一分类器构建用户画像模型的方法。该方法首先利用多种单一分类器对特征数据集进行交叉验证,输出预测结果和效果最优的单一分类器;然后将预测结果作为训练数据集的一部分加入原特征数据集,并基于最优的单一分类器再次进行模型训练得到最终结果。(3)在某高校校园网行为日志数据集上对性别、年级、年龄三个维度进行用户画像,实验结果证明了本文所提用户画像方法相比传统单一分类模型提高了对性别、年级、年龄预测的准确率。