随着电商模式的兴起,人们更倾向于在网上填写个人信息和网上购物等,用户和产品信息蕴含很多商业价值,通过数据挖掘进行智能化、个性化应用及精准化服务是目前的研究热点之一。近年来,一些学者曾用机器学习的方法,通过数据挖掘与分析构建用户画像来实现这一目标。通过研究用户画像的原理及分析目前算法的利弊,为实现更加有效的用户画像构建,本文通过更加完善的档案库来构建用户数据集,在提取用户行为等数值型数据外,提出一种基于词法序前缀树的挖掘算法来提取高效用微博文本数据。为实现更有效地挖掘特征间的关联性以及相关贡献率,又分别提出多维权重算法和可微结构搜索算法进行处理。具体包括以下四个部分:(1)用户档案库,该库不仅包含获取的用户基本信息、行为习惯及偏好等数值型数据,为进一步完善,提出基于词法序前缀树的更紧上界挖掘算法,对微博时序数据进行高效用挖掘,总体数据集分为数值型和文本两种类型,并分别进行不同的数据预处理及归一化操作。(2)用户数据分析模型,为了提高用户画像系统的识别效率,获取不同特征对于用户画像构建的贡献度,该部分提出了基于多维特征权重的用户画像算法。该算法针对数据型和文本特征,分别采用随机森林、融合词性和TF-IWF的权重处理方法,并将特征与相应权重值相乘得到加权特征。最后输入到分类算法中进行用户画像群分类,并对比算法前后实验结果。(3)可微用户画像识别模型,该部分提出了基于可微结构搜索的用户画像识别方法,该方法将离散的搜索空间转换为连续可微空间,同时将搜索算法加入模型中,利用梯度下降方法优化和验证性能。(4)用户画像识别系统,设计了一套包含数据采集层、模型构建层和应用层的用户画像识别系统。最后,本文对比传统用户画像算法和改进后的算法,通过实验数据证明了文本提出算法的有效性,并且为用户画像研究提供了新的研究思路和有效研究方法。