在互联网技术迅猛发展的背景下,用户画像技术被广泛应用于各个领域,其核心是通过对用户各类行为进行分析,从而将用户特征抽象为标签形式。本文以真实校园网络行为日志为基础,对校园网络用户画像进行了深入研究。针对校园网络行为日志对学生行为类别表述模糊的特点,本文提出了融合压缩DOM树结构向量的行为类别标签预测模型,通过融合网页文本特征向量和DOM树结构向量并使用分类器进行分类,实现了对学生浏览网页的类别预测。同时,为了对学生成绩进行有效预测,本文提出了基于行为时序权重的FPGrowth成绩预警标签预测模型,通过挖掘学生不同时间段的行为类别与成绩之间的强关联规则,实现了对学生成绩类型的概率估算。基于上述两类模型,本文构建了校园网络用户画像核心系统。在数据采集模块,通过使用改写去重功能的Scrapy-Redis分布式爬虫架构,获取了学生用户的未知网络行为数据。在行为类别标签预测模块,以所提预测模型为基础,实现了类别预测功能。在成绩预警标签预测模块,使用Spark框架来加速频繁项和关联规则的挖掘过程。在数据统计模块,针对网络行为和成绩水平两方面数据进行了多维度数据的统计汇总,为二次开发提供了支持。为了实现用户画像数据的可视化,本文基于Express框架和Vue.js框架设计实现了校园网络用户画像平台,对各项数据进行可视化展示,并基于Kbone框架将平台移植到微信小程序中。实验结果表明,本文所提行为类别标签预测模型与现有方法相比,类别预测准确率有一定提升,成绩预警标签预测模型与传统方法相比,具有更强的说服力,且成绩预测结果有一定参考价值,用户画像核心系统具有较稳定的功能和性能,用户画像平台性能优越且具有良好的可视化效果。