随着移动互联网技术的快速发展,基于移动通信的互联网应用日益增多,给人们的生活带来了多种便利。近年来,移动智能消费服务平台逐渐走进大众生活,以美国的最大点评网站yelp为例,截止2018年底,yelp点评网站总计收集到用户点评信息数量超过了1.77亿,且平均每月用户活跃访问量约700万次,平台的用户规模持续增长。为了在如此庞大的应用市场竞争环境中占据优势,点评应用则需要从提升用户满意度的角度对自己产品技术进行创新,以提升用户的软件应用使用体验。对此,本文提出从用户满意度的影响因素方面构建神经网络用户满意度预测模型,主要研究工作和结果如下:(1)基于yelp官网公开的用户消费数据集和商铺信息数据集,进行了一系列的数据预处理工作,包括了原始数据分割、数据清洗、数据归一化、以及文本数据预处理,考虑商铺服务具有地域特色,通过地理空间数据筛选的方式进行数据选择。(2)根据对用户的消费行为进行分析,提出两种建模方式对用户偏好进行挖掘,第一种是基于商铺类型标签与用户消费频次,提出使用GMM模型的EM聚类方法生成用户消费行为向量,进而量化表示用户的消费行为模式,为接下来的研究工作提供用户行为特征。第二种是基于注意力机制的RNN用户偏好挖掘模型,并在RNN基础上使用其改进结构后的LSTM模型用于用户偏好预测,经过实验验证后表明基于注意力机制的LSTM用户偏好挖掘模型性能效果较优于原有的RNN模型,且准确率达到了0.746。(3)基于用户偏好挖掘模型的输出结果定义用户偏好特征,对人工神经网络的输入层进行改进,使用DBSCAN空间聚类方法获取商铺位置的空间聚集度,结合商铺的服务类型和销量数据形成商铺层面特征,然后将商铺层面特征和用户层面特征作为神经网络模型的输入层,对用户满意度进行预测。最后将改进的神经网络用户满意度预测模型与其他传统模型进行实验对比,结果表明本文提出的用户满意度预测模型预测性能效果较优于传统模型,准确率达到了0.814,且验证了用户满意度预测结果与用户的偏好特征密切相关。