社交网络的发展促使人们的交际圈从线下的好友关系延展到线上,成为新媒体时代最具影响力的信息传播途径。在社交时代中,消费者的行为模式和消费动机发生了较大变化,如何利用社交网络上的信息理解用户行为动机、挖掘用户需求以实现精准营销成为学者和商业界的重点研究内容。然而,结合社交网络的购物行为研究仍然面临以下挑战:(1)社交网络的引入为用户兴趣偏好的分析提供了更多信息,但也导致了信息过载的现象。如何从海量的社交数据中选择恰当的属性进行用户表征,是购物行为分析的首要考虑问题;(2)社交网络背景下影响个体购物行为的因素更加繁杂,应该如何筛选有效影响因素以理解用户的行为动机;(3)如何识别社交关系对购物行为的影响。基于关注的社交网络中存在大量不具实质社交影响力的冗余边,因此识别有效社交影响关系是预测社交用户购物行为的关键所在。针对以上问题,本文提出了基于FCI的购物行为影响因素发现算法和基于因果影响的购物行为预测算法进行社交用户购物行为分析,论文主要工作如下:(1)首先,对社交用户的行为数据进行探索性分析,通过描述性统计分析观察数据集的结构和特点,分析用户社交行为特性之间的差异性。并对数据进行清洗和规范化处理,从用户社交文本中提取行为特征刻画用户行为,为后续行为分析提供基础;(2)对购物行为影响因素分析中,为了能尽可能选择有效用户属性,结合反从众理论进行用户购物行为特征的构建对用户进行表征,综合考虑社交领域和购物行为两方面的个体影响因素;其次,针对社交网络用户数据不完全观测特性提出了基于快速因果推断(Fast Causal Inference,FCI)的购物行为影响因素发现算法展开对社交用户购物行为的研究。通过构建因果网络来描述购物行为特征间的因果关系,检测购物行为的内在影响因素,根据特征因果网络剔除无关或影响力甚微的因素。通过模型实验和实证分析验证了社交网络用户的购物行为特征间的因果关系;(3)考虑到由关注关系形成的社交关系网络存在大量不具社交影响力的冗余边,无法体现社交互动对购物行为的影响,提出基于因果影响的购物行为预测算法。通过检验用户时序行为间的独立性判断用户行为间的因果关系识别出直接因果关系和隐性社群两种不同的有效影响关系,构建用户因果影响网络。针对两种影响关系时序行为呈现的差异分别定义不同的行为约束,进一步结合自身特性和因果影响关系预测购物行为变化。实验结果验证了该算法的有效性,表明因果发现算法的融合对识别社交用户行为影响关系的重要作用。