在移动社交环境下,用户之间可随时随地地交流各类信息,他们或因志趣相投或因相互影响而成为彼此的行为关联用户。另一方面,随着业务类型与业务内容的日益增多,用户寻找感兴趣的业务变得困难起来,信息迷向问题日益严重。用户行为的分析与预测作为个性化业务推荐系统的核心,可有效解决上述问题,从而极大地提升用户体验。为此,本文将从目标用户的移动社交环境出发,借助海量关联用户的行为样本,实现目标用户业务行为的科学分析与精准预测。本文主要工作如下。一、概述了移动社交环境的相关内容,并分别综述了用户行为分析和用户行为预测的研究现状,进而给出本文的研究思路和内容安排。二、提出基于编码Apriori理论的用户行为分析与预测算法。首先,提出基于编码的二维Apriori理论,以综合分析目标用户的业务行为:一方面,基于目标用户的自身行为历史进行关联分析;另一方面,构建影响力因子以获得目标用户的最佳关联集合,进而将目标用户与其中任一关联用户进行关联分析。其次,为融合上述关联分析结果,提出基于影响力因子的改进加权融合方法,从而实现用户行为的准确预测。大量仿真结果验证了该算法的有效性。三、提出基于改进Apriori理论的用户行为分析与预测算法。首先,构造基于相似度和基于交互度的最优化模型,分别选择最优关联用户以分析用户行为的两个决定因素(长期习惯和短期影响);进一步提出基于模糊理论的自适应更新策略,以实时且定量地表述上述因素的重要程度。其次,引入改进型Apriori理论,从而实现对用户下一业务行为的精准预测;特别地,建立Apriori样本库的新型更新机制,以有效融入最优关联用户的样本数据。大量仿真结果验证了该算法的有效性。四、提出基于Apriori理论的用户行为多重分析与最优预测算法。首先,针对目标用户所属的各个社交群组,分别建立基于代表度的最优化模型,选择出任一社交群组内最具代表的关联用户,以分析目标用户在不同社会属性下的业务行为;特别地,代表度由基于Kendall系数的相似度和基于交互统计的交互度联合构成。其次,借助Apriori理论,分别对目标用户和各最具代表的关联用户进行关联分析,并提出基于最小二乘模型的加权融合方法,以最优地融合上述关联分析结果且实现用户行为的精准预测。大量仿真结果验证了该算法的有效性。最后,对全文做了总结,并给出了未来的研究方向。