随着移动互联网的迅猛发展,移动设备以及各种社交软件的广泛使用,移动社交电商成为一种新兴的电商模式。这种新兴的电商模式融合了移动设备移动性、便捷性、以及通过移动设备产生的社交性和商业性。这种新兴的社交电商模式下,电子商务不仅受到用户个人兴趣爱好的影响,还会受到社交媒体的影响,因此通过社交媒体和电子商务,研究用户的兴趣爱好,对社交媒体用户行为进行数据分析具有重要的意义。目前人们对于社交电商有一些初步的研究成果,但是仍然存在着一些需要研究解决的问题,首先就是移动社交电商数据的采集问题,需要重点研究移动社交应用数据在应用内的数据流向以及如何在移动端对第三方应用进行数采的问题。其次针对采集到的数据进行分析,由于进行数据分析的样本数量要求巨大,而且在数据样本中社交普通用户与电商用户并无分明的界限,更增加了社交电商用户分类问题的难度。另外,社交电商用户并未经过统一的注册,而且售卖的商品种类不一,如何根据用户在社交App中表现出的可利用的属性特征对社交电商用户进行分类面临前所未有的挑战。本文在对社交电商用户行为分析的基础上,对移动社交电商的分类模型进行了深入研究,取得的主要创新成果如下:（1）提出了一种基于容器的社交应用数据采集方案。该方案由静态分析和动态采集两部分组成,通过静态分析得到社交应用中潜在的用户社交应用的用户行为数据采集点,动态采集部分则基于数据采集策略文件对应用程序中产生和使用的数据在符合数据采集策略时进行数据采集。提出了一种基于静态分析和动态采集相结合的轻量级虚拟容器的动态数据采集追踪算法,实现了对Android应用的社交数据进行隐私泄露检测和数据采集。设计和开发了一个针对社交应用的数据采集容器并进行了实际应用,应用结果表明所提出的社交应用数据采集方案较好地解决了移动社交电商数据采集难以及数据样本中社交普通用户与电商用户的区分问题。（2）提出了一种基于K-means++算法的社交电商用户的聚类方法。该方法在传统电商用户分类方法研究的基础上,根据社交电商用户的特点,通过改进数据预处理和参数调优方法,针对社交电商的经营数据和软件使用数据实现社交电商的分类,筛选出软件的普通用户和活跃用户。在某社交电商用户的实际数据进行了实验验证,实验结果表明各阶层用户的留存率存在明显差异,所提方法能够准确实现社交电商用户的分类。（3）提出了一种单维度用户属性的划分方法。借助于多项式曲线拟合方法,将用户属性划分建模为多项式函数求取转折点的过程,提出了基于局部离散程度求取曲线转折点的方法,通过求取多项式曲线的转折点来划分不同层级用户。为了得到最优的用户划分,提出了一种基于区间留存率的区间合并算法来确定用户划分的层数。采用 Davies-Bouldin Index、Silhouette Coefficient 和 Calinski-Harabaz Index等指标进行对比分析,实验结果表明所提出的方法优于K-means++算法。（4）提出了一种基于NLP分类模型的方法。该方法通过对社交电商的社交内容数据进行分析,基于BERT建立深度学习模型,实现对社交电商的商业属性精准分类,实验结果表明模型的实测准确度超过了 90%。基于TensorFlow框架和边缘计算对NLP分类模型进行了实际部署,实验数据表明解析运行模型的准确性与模型在服务器端部署解析运行的准确性基本相同。设计和开发了一个微商数字化综合服务平台,集成了数据采集、传输和大数据分析等功能,基于虚拟化和RPA流程自动化技术对我们所提出的分类模型进行了实际应用,提高了移动社交电商的营销效率和精准性。