在当今互联网迅速发展的时代,新型社交或多媒体网站层出不穷,其中不乏大量功能类似的竞争者,为互联网世界增添活力的同时也给予了用户更多的自由。站在在线多媒体网站的角度上看,只有大批量的用户才能带来稳定的增长率和营业收入。因此为了保证网络的竞争力和生命力,对于处于竞争关系中的网络中的任意一方,监控和预测用户的迁移趋势都成了极为重要的商业手段。然而,由于用户迁移难以量化,数据集缺少合理的迁移样本标签,所以目前对于在线用户迁移的研究停留在统计和趋势分析阶段,而无法对未来的用户迁移趋势进行监控和预测。为了解决这个问题,本文选择Acfun和Bilibili这两个视频网络为目标网络,并引入了重叠用户的新浪微博数据来增强目标网络的用户信息。首先,本文定义了用户行为向量和用户行为状态来量化用户在目标网络上的行为活动,并使用马尔可夫链对用户状态迁移进行计算并得到全局的状态转移矩阵,在此基础上分析了整体的用户迁移趋势。在发现了用户迁移趋势的基础上,本文提出了三种顺序增强的用户迁移预测模型,分别为GMOM模型,TMM模型和WITMM模型。其中在WITMM模型中引入了重叠用户的微博特征数据,并取得了最好的迁移预测效果,证明了使用多源数据增强用户迁移预测的可行性。最终设计并开发了重叠用户迁移预测原型系统。本文选择Acfun、Bilibli,新浪微博三网的数据作为数据源,通过基于用户主页信息的重叠用户发现方法和基于用户行为的重叠用户发现方法,找出了跨三网的重叠用户。然后,从准确率,召回率,F1-Score这三个方面综合比较本文提出的GMOM模型,TMM模型和WITMM模型并展示了三个对比模型的实验结果。实验表明WITMM模型在各个评价指标上都优于对比模型,有效地对多网络重叠用户的迁移进行了预测。