人们日常在使用互联网时会留下海量的数据信息。面对纷繁复杂的数据世界,如何有效地利用碎片化信息,为用户提供更加专业的个性化服务是当前研究的一个热点趋势。用户画像技术是利用用户在网络上留下的数字信息进行建模分析,深度挖掘其中隐藏的有价值的信息,实现对用户特征的提取和标签的预测,从而建立全面、立体的用户形象。用户画像技术现已广泛应用于商圈分析、智能推荐、精准营销等多种场景中。传统的用户画像构建方法多存在提取的特征质量较差、模型准确率较低、泛化性不佳等缺陷。针对以上问题,本文提出了一种基于Stacking双层学习框架和预训练模型ZEN的用户画像构建方法,利用多模型融合技术预测用户多维属性标签。本文主要研究内容如下:在用户画像特征选择阶段,针对用户在使用搜索引擎时留下的短文本数据,从不同角度提取特征信息。首先选用传统特征选择算法TFIDF,它仅依靠词频统计忽略了特征在不同类别间的分布差异,存在特征提取不准确的问题。对此,本文在其逆特征频率和类别频率上加以改进,提出TWCF算法,用以抽取用户的常用词特征。其次将PV-DBOW模型训练的特征表示与降噪自编码器训练的特征表示相结合,提出DBOW-DAE特征模型,在降低文本噪声的同时能有效保留用户查询词中的语义信息,提高特征的表示质量。从实验结果分析来看,改进后的特征模型在预测用户属性标签任务上的准确性更高。在用户画像模型构建阶段,利用模型融合策略,融合Stacking学习法和预训练模型ZEN,提出一种融合模型S-ZEN。该模型可结合各学习器之间的优点,综合学习用户各属性间的关联信息。实验结果通过评价指标准确率表明,相较于各种单模型,融合模型在预测用户多维属性标签的任务上有更好的准确性和泛化性。