近几年的高速增长点则集中在社会媒体上,微博微信等网络社交媒体的雨后春笋般兴起,让人们可以随时随地分享自己的生活、对热点的关注以及对时事的观点,人们的生活随着社会媒体的普及变得更加互联互通、共话共享。本文以微博为例,用户在微博上通过140字以内的短文本表达自己的想法,通过深度挖掘、条分缕析用户的微博文本来识别用户的消费意图。本文中定义消费意图为用户对于商品或者服务,表现出来的购买意向。通过发掘识别用户消费意图,可以将分析预测结果多角度多维度应用于商业推广和业绩预测等领域。例如在推荐系统中,如果发现用户具有消费意图,就可以精准的定向推荐给用户对应的内容,创造商业价值;在电影上映或商品发布的时候,相关文本中具有消费意图的比重可以反映用户对于它们的需求,为下一步的判断提供依据;在分析预测用户的消费行为时,首先需要确定用户是否具有消费意图,在判断清楚消费意图的基础上进一步的研究才具有价值。传统的消费意图识别方式是根据用户可能具有的不同的消费意图,构建特定的模版进行匹配。本文收集微博用户在电影领域领域的微博文本,将消费意图问题看作一个文本分类问题,首先采用支持向量机的方式对消费意图进行识别,解决了构建模版导致的实现复杂、可扩展性不强的问题,并且使用LDA主题模型扩展文本的特征。随后采用深度学习的方式通过构建卷积神经网络和长短期记忆网络结合的模型进行消费意图识别。在消费意图识别过程中,卷积神经网络对于用户的微博文本进行特征的抽取,结果作为长短期记忆网络的输入,长短期记忆网络处理文本中的特征的时序关系,输出消费意图文本的分类结果。实验结果中支持向量机分类方法最优F值为70%,神经网络模型F值为84%,能够有效的识别用户的消费意图。随后介绍了事理图谱技术,通过对事件的分析预测,构建实例图谱揭示事物演化规律,进行更好的消费意图挖掘和精准化推送产品或者服务。