随着互联网的快速发展和用户规模的不断扩大,互联网上的各种应用包括电影应用平台、电子商务网站,以及论坛等得到了飞速发展。越来越完善的用户体验,不断的吸引着人们去分享和评分,因而产生的海量的评分数据,为分析用户行为和发现用户偏好提供了宝贵的数据资源。考虑到用户评分行为的动态性因素和捕捉动态用户行为具有的挑战性,本文以贝叶斯网为基础,从海量电影用户评分数据出发,利用Hadoop的MapReduce框架,设计并实现了一种能够从海量带有时序的电影用户评分数据中,挖掘动态电影用户评分行为的系统。本系统由海量电影评分数据及贝叶斯网的存储、海量电影评分数据的处理,时间片内用户评分行为计算、相邻时间片间动态用户评分行为预测等四大模块构成,简要分析如下:(1)海量电影评分数据及贝叶斯网的存储。利用MapReduce编程模型并行读取海量电影评分数据,以及贝叶斯网的有向无环图结构、各节点对应的条件概率表,以评分属性作为行标识,对应的概率作为列族,分别存入HBase中。(2)基于MapReduce的海量电影评分数据的处理。将期望最大算法并行化,计算得到完整的带有隐变量的电影评分数据集。(3)基于MapReduce的时间片内用户评分行为计算。将爬山法、贝叶斯信息准则与MapReduce结合,高效的完成时间片内评分行为模型的构建,并计算当前时间片用户行为。(4)基于MapReduce的相邻时间片间动态用户评分行为预测。基于第(3)步的结果,我们加入互信息依赖性度量,最终得到相邻时间片间用户评分行为预测模型,根据构建好的模型,采用贝叶斯网推理方法,预测下一个时间片用户的行为。建立在MovieLens评分数据集上的实验,验证了本文基于动态行为的预测系统在预测用户行为上是有效和高效的。