随着互联网发展,其用户规模以及所产生的数据规模呈指数级增长,“信息过载”现象也随之产生。如何从大量的数据中提取出对用户有用的信息、为用户推荐感兴趣的内容成为目前各大互联网公司面临的问题。推荐系统可以很好的解决这些问题,用户画像作为推荐系统的基础,通过对用户属性、行为等信息进行全面分析实现对用户的分类,从而可以为用户提供更好的服务,更好的防止用户的流失。良好的用户画像可以提升推荐系统的性能。本文的主要任务是根据用户历史一个月的搜索词来对用户的属性进行用户画像。针对传统用户画像模型在泛化性和准确率方面的不足,本文研究提出了一种改进的用户画像模型。本文提出了一种基于融合算法的二级用户画像模型,第一级模型主要实现用户与搜索用词在不同层次上的关联关系的功能;第二级模型利用融合算法对用户属性与搜索用词在不同层次上的关联关系进行结合,构建搜索用词与用户之间的最终映射模型。本文的主要研究工作如下:(1)提出了一种将SVM_EM算法。针对人工标注数据集稀缺的问题,本文通过将SVM与EM结合,利用少量的人工标注的数据集和部分未标注的数据集来训练分类器,降低了人工标注的成本。实验表明,结合后的算法比传统的SVM算法的分类精度相对高。(2)提出了一种新的二级用户画像模型。第一级模型中,利用SVM_EM特征进行结合来学习用户用词之间的差异,利用Doc2Vec来学习语义之间的关联关系,利用深度神经网络来学习语义的深层关系;第二级模型中,利用融合算法来深度挖掘标签之间的关联关系,提高了对用户属性标签预测准确率和模型的泛化能力。(3)基于本文提出的用户画像模型,实现了用户画像原型系统,并对其进行测试,该系统在吞吐量以及请求成功率方面表现优秀。