随着互联网科技的迅猛发展,网民数量和上网时长日益增加,特别是“互联网+”战略的推进,互联网已日益成为公众日常工作、生活、学习不可或缺的平台和助手,深刻地改变着人们的生活方式、行为方式和价值观念,随之产生了蕴含着丰富信息的用户网络行为数据。分析网络用户行为可以深入挖掘用户的行为偏好和性格特征,不仅对社会学、安全领域等有着理论价值,而且对于网络信息、动态监控和威胁预警等应用具有实际意义。现阶段,针对网络用户行为分析,很多研究者往往只侧重于个体用户行为或群体用户行为研究,而忽略了将两者相结合。本文基于用户上网产生的文本数据,围绕个体行为和群体行为两个角度展开分析,以便感知用户观点的情感倾向,同时挖掘群体用户的关注热点,进行话题追踪和检测。本文主要工作和创新如下:（1）针对传统模型文本特征提取不够全面、学习能力差的问题,提出一种基于BiLSTM（Bi-directional Long Short-Term Memory）的胶囊网络用户观点倾向性分析方法,称之为Caps-BiLSTM。本方法使用N-Gram卷积层提取文本特征,并将胶囊网络与BiLSTM相结合,融合词的上下文信息,实现参数自适应调整,更好地表示和学习文本的特征;引入BiLSTM能够改进传统胶囊网络模型,优化模型性能,提高用户观点倾向性分析的准确性。在IMDB、MR与NLPCC2014三个数据集上进行实验,结果表明所提出的Caps-BiLSTM模型能够有效对个体用户观点倾向性做出判断,其中IMDB数据集的准确率达到91.96%,比其他深度学习模型准确率至少提升1.16%。另外,通过控制变量分析与参数敏感性分析,验证模型各部分对实验结果的影响,并进行适用性分析,从而实现个体用户的观点倾向性判断。（2）针对传统方法在无监督条件下热点挖掘准确率不高、结果难以评估的问题,提出一种结合语义的用户关注热点挖掘方法。首先使用LDA主题模型提取文档的主题词来对文档进行表示,对语料实现降维处理;接下来采用Word2Vec方法将主题词转换成词向量表示,在文本表示层融合语义信息;然后利用K-Means算法对文本进行聚类,并使用结合簇内误差平方和与轮廓系数的K值选取方法得出最佳聚类结果,其中每一类代表一种热点话题。在搜狐新闻数据集上的实验结果表明,结合语义的热点挖掘算法可以找到最佳聚类结果,能够降低聚类误差,F1值对比基线模型至少提升3.30%,优于其他主流算法。另外,通过参数敏感性实验,验证各参数对结果的影响,并进行适用性分析,从而实现群体用户关注热点的挖掘。