近年来,电商平台购物越来越成为人们进行商品购买的一个主要渠道。随着用户对电商平台使用的不断增加,在电商平台上留下了关于用户商品购买行为的海量数据,对这些行为数据进行挖掘与分析,不管是对用户还是商家来讲都是非常重要的。本文通过对电商平台的海量行为数据进行分析,获得用户购买商品的主题倾向,用户的社区偏好和用户的购买倾向等信息,这些信息可帮助商家进行商品促销与仓库备货,也可为用户按需购买商品提供便利。基于此本文主要从三个方面进行研究,具体如下:1.针对短文本由于缺乏足够的上下文信息,使得在应用传统主题模型进行短文本主题挖掘时产生数据稀疏的问题,本文提出一种基于语义增强的短文本主题模型算法。算法将DMM（Dirichlet Multinomial Mixture）与词嵌入模型相结合,通过训练全局词嵌入与局部词嵌入分别获得词的向量表示;随后融合全局词嵌入向量与局部词嵌入向量计算词向量间的语义相关度,构建主题词的语义相关词集,并计算主题词的相关词权重;然后通过主题相关词权重进行词的语义增强计算,最终实现词语的主题模型挖掘。实验表明,本文提出的短文本主题模型在主题一致性表示上更准确,且提升了模型在短文本上的分类正确率。2.针对密度峰值算法在社区划分应用中出现的由于截断距离的选取与仅考虑社区网络拓扑结构导致的社区划分不准确的问题,提出一种融合用户的结点属性和所在网络的拓扑结构的密度峰值社区检测算法。算法首先利用用户网络拓扑结构计算用户结点与其直接邻居与间接邻居的度,用度来表示结点间的局部密度;然后将用户对商品的评论信息主题偏好作为用户结点的属性,结合网络拓扑结构计算用户间的相似度并用其表示用户间的相对距离;最后选出关键结点作为社区的中心结点并完成社区划分。实验表明,提出的算法在ACC指标与NMI指标上均优于基线模型算法,且提高了电商网络平台上社区检测算法的准确度,实现了高效的社区划分。3.针对目前大多数用户购买行为预测只是利用用户对商品的浏览查看操作,对商品的收藏行为以及将商品加入到购物车中的行为,而很少对电商平台上用户的评论信息进行分析的问题,本文提出一种利用用户商品评论信息的情感极性与用户社区影响力进行用户购买行为预测的方法。方法首先利用基于词典的情感分析方法获得用户对商品的购买情感极性,然后获取用户所在社区中的用户影响力;采用基于模糊性技术整合用户的购买情感极性与社区影响力,从而对用户购买情感极性进行最后计算;最后根据计算结果对用户的商品购买行为进行预测。实验表明,本章所提出的方法相比于传统的用户购买行为预测方法能更客观、更准确地获得用户所传达的情感极性,并在用户购买行为预测方面比基线模型有更好的预测精确度。