随着大数据时代的到来,信息与数据的快速流动为互联网提供了良好的发展环境。作为数据与用户交互的媒介,近年来诞生的大量社交网络服务（Social Networking Services,SNSs）平台日益成为生活中不可缺少的重要组成元素。不仅为人们生活带来了便利提升用户满意度,也蕴藏着巨大的科学与经济研究价值,为商家增加了可观的经济收益。在用户服务上,SNSs提供了在线的平台,一方面利用推荐系统这一面向用户的信息检索技术为用户获取所需的信息,为其筛选可能感兴趣的商品,缓解由信息过载带来的问题。另一方面,平台利用社交网络的拓扑结构以及用户特性来为其寻找潜在的社交关系,提升其平台使用满意度。从用户角度出发,上述社交网络服务平台上的用户行为主要包括:（1）建立社交链接关系的用户社交链接行为。（2）浏览或购买感兴趣的物品的用户消费行为。准确的为用户提供有效的个性化推荐,预测其消费兴趣偏好,并挖掘潜在可能的社交链接成为了社交网络服务平台上的两个核心任务以及,也是具有现实意义的研究热点。然而,已有的行为预测算法模型面临可使用的用户行为数据稀疏,不同用户行为联合建模以及关联性刻画问题复杂,高阶社交关系及兴趣偏好发掘识别敏感度较低等现实问题与挑战。为此,本文围绕用户行为预测任务展开,在理论上结合数据挖掘技术、用户行为学、社会学等交叉学科知识;在技术上,结合机器学习,深度学习中近年来在多领域中取得成功的网络特征学习,深度神经网络以及图卷积网络与实际应用场景,针对上述问题与挑战进行研究。具体而言,本文的主要工作如下:一、提出了一种基于网络特征学习的用户联合行为预测方法RWJBG。该方法将用户历史记录形成的社交网络与用户消费记录形成的兴趣网络利用用户作为纽带结合起来,形成联合行为图,缓解了稀疏性问题。接下来,RWJBG利用随机游走策略为联合行为图中的每个节点进行多次采样得到节点序列,通过这样的方式收集不同行为之间难以刻画的关联性以及复杂关系,并得到有关节点之间高阶关系的节点序列信息。最后,RWJBG利用语言模型Skipgram来学习每个节点的特征表达,使学习得到的节点特征可以用来计算节点之间的相关性,并应用于两个用户行为的预测任务。二、提出了一种基于特征融合和链路距离的用户联合行为预测模型。随着深度学习在计算机视觉,自然语言处理上取得的巨大成功,深度学习的技术也逐渐被应用于以推荐系统为技术背景的用户消费行为预测,以及链接预测为技术背景的社交链接行为预测上。鉴于此,我们提出一种基于深度学习的联合神经网络模型NJBP对用户行为进行联合预测,以解决前述问题及挑战。在数据运用上,NJBP结合不同用户行为数据缓解了数据稀疏性问题。在技术上,NJBP利用深度神经网络的非线性拟合能力,打破了传统矩阵分解算法的线性模型限制。此外,NJBP利用不同的特征融合方式来刻画和建立两个行为之间的复杂联系,使学习得到的特征能够包含社交影响和同质性假设的特性。为了捕获高阶社交关系,NJBP在模型训练时利用了社交网络的拓扑结构信息,以区分不同距离的社交邻居带来的影响。实验结果表明,这些结构和设置的引入,对社交链接行为预测和消费行为预测的准确性提高有着关键的作用。三、提出了一种融合社交与兴趣网络的用户消费行为预测模型。由于大部分同类研究工作主要依赖于用户的一阶链接关系建模用户行为,因此,其学习得到的节点特征在刻画整体网络拓扑结构信息上有待提高与优化。事实上,真实世界中的社交与兴趣偏好影响可能呈现可传递的高阶特性。为了建模这种传递扩散过程,我们提出了模型DiffNet++。首先,由于用户在社交网络和兴趣网络中扮演着核心角色,DiffNet++通过两个网络中的相同用户将社交网络和兴趣网络作为输入构建为一个异构图,缓解数据稀疏性带来的影响。接下来,用户特征向量从异构图中通过迭代聚合的方式搜集来自社交网络与兴趣网络中的高阶信息,进行特征融合与更新,模拟不同行为记录的关联性和影响。此外,为了准确区分不同网络（社交网络与兴趣网络）信息聚合时对不同用户产生的影响,以及刻画同一网络下不同节点信息聚合时的差异性,我们设计了基于注意力机制的神经网络对其进行精确建模。最后,四个真实数据集上的大量实验结果验证了提出模型的有效性。