随着互联网的兴起,人们在互联网中分享与交流着各类信息。人们在日常生活中享受着互联网带来的便捷服务的同时,产生了巨大的行为数据。人们的行为数据往往隐含了用户的偏好、习惯、行为模式等有价值信息。如果能通过用户的行为数据,挖掘其背后的用户行为发生机制和用户偏好,这不仅可以让人们更深刻的认识自身与发现人类的行为特征,而且还能帮助人们更高效且更精确的找到自己想要的信息。本文将基于以下两个方面展开对用户行为的研究:本文的第一部分着眼于人类行为动力学这一交叉学科。基于在线系统中的用户观影行为,本文分别从用户的长时间尺度和短时间尺度出发,统计分析了在线系统中的用户观影行为特征。首先定义了一个方法刻画用户兴趣的演化,以及结合信息熵分析用户的兴趣特征,发现用户在长时间尺度上,往往会存在较大的随机性选择观看各类风格的电影。接着本文定义了回转半径这一特征值刻画用户兴趣的回转,通过对真实在线系统数据集的回转半径的统计分析,发现用户在短时间尺度下存在一定的规律性,大部分用户在观看电影时,常常在一定兴趣范围内停留,具有较小的回转半径;而经过一段较长时间演化后,用户又会聚焦回曾经观看过的较久远的兴趣点,表现出具有较大回转半径。为了较贴切的模拟和刻画了在线系统中的用户观影行为模式与发生机制,本文基于上述的用户行为统计特性,与动物觅食过程相结合,并将在线系统中用户兴趣偏好演化考虑在内,同时结合时间特征设计了一个基于Lévy Flight的用户兴趣偏好模型。本文第二部分将人类行为的研究推广到推荐算法中,由于考虑到用户兴趣之间的差异性,我们提出了一个基于用户行为的个性化推荐算法,该推荐算法打破了以往推荐算法具有相同的参数这一限制,将算法置于个体层次,为每个用户分配个性化参数,同时发现每个用户具有不同的最佳个性化参数。最后,我们还设计了一个简单的方法来估计用户的个性化参数,从而提高推荐算法的精确度与多样性。