本论文选题来源于国家重点研发计划课题“公共文化资源智能共建共享与管理平台构建与示范应用（2019YFC1521405）”。随着互联网的快速发展,用户在网络上留下了大量的行为数据,在大数据时代,用户的行为数据是一笔宝贵的财富。以此为基础,构建用户画像对于精准营销、广告投放、个性化推荐有着非常重要的意义。用户的兴趣预测是用户画像的一个热门研究方向,用户的行为数据对挖掘用户兴趣具有重要价值。对用户兴趣进行预测一般存在两个问题:（1）分析用户的单一类型行为内容数据会造成预测结果不准确;（2）分析用户的所有历史行为的内容数据会造成分析的数据量过大、分析效率较低。针对以上问题,基于用户发表、收藏、点赞、点踩、评论、浏览6类不同用户行为涉及的博客,本文进行了如下的工作研究:（1）构建了基于文本卷积神经网络（Text Convolutional Neural Networks,Text CNN）的用户画像模型。以用户发表的博客为例,通过使用Text CNN对用户发表的博客的文本内容进行分类构建单一行为数据的用户画像模型。通过基于Text CNN的用户兴趣画像模型分别对6类用户行为数据所表达的用户兴趣进行测试,筛选其中能稳定表现用户兴趣的4类数据即:发表、收藏、点赞、浏览的博客,作为后续预测用户兴趣的源数据,同时根据实验结果确定了模型的初始权值。由于用户兴趣是动态变化的,基于艾宾浩斯遗忘曲线模型和Text CNN的用户兴趣画像模型对不同时间片大小内采集的四类用户数据的兴趣预测结果的稳定性和准确率做测试,通过比较稳定性和准确率确定采集用户数据时间片。由于历史数据会影响当前的用户兴趣,基于艾宾浩斯遗忘曲线模型和Text CNN的用户兴趣画像模型对使用不同数量的时间片内的用户数据的兴趣预测结果的准确率做测试,通过比较准确率确定使用当前时间片及其前面三个时间片的用户数据来预测用户的兴趣。（2）在以上研究基础上,提出一种用于兴趣动态预测的用户行为数据采集及加权方法,该方法采集不同时间片的可以表现用户兴趣的各类数据,根据时间周期的重要程度确定不同时间片的数据的采集数量的比例,根据数据类型的重要程度确定其采集数量的比例和权值,使得预测结果更加准确。使用Text CNN对采集的不同类型的用户博客加权融合构建多源行为数据加权融合的用户兴趣画像模型。（3）对多源行为数据加权融合的用户兴趣画像模型进行优化。通过实验确定了模型数据权值,得到最优的用户行为数据采集及加权方法和画像模型。实验结果表明,使用本文提出的用户行为数据采集及加权方法,相较于使用单一行为数据预测的准确率提升了6.8%;同时动态反映兴趣预测结果的实时变化也得到了极大的改善。图15幅,表37个,参考文献52篇。