随着Web2.0的不断普及和电子商务应用的迅速发展,大规模的在线评价数据不断产生,使用户行为数据分析和用户行为建模成为可能,且具有重要意义。考虑到用户评价数据和评价行为的动态性,本文以带有隐变量的贝叶斯网(隐变量模型)作为各属性间依赖关系及其不确定性表示的基本框架,构建既能刻画用户评价数据中各属性间相互依赖的不确定性、也能描述用户行为动态性的评价行为模型,以及模型的增量修改方法。为了构建动态评价行为模型,本文首先以贝叶斯信息标准(BIC)分值作为模型与数据拟合度的度量标准,提出基于打分搜索方法从每个时间片的用户评价数据构建各时间片隐变量模型的方法,并给出基于期望最大(EM)算法的隐变量取值填充方法。其次,考虑时序的不可逆性质,即有向边的方向只能从前一个时间片中的变量指向后一个时间片中的变量,本文提出了相邻时间片间隐变量模型的构建方法。接着,本文提出基于最大似然估计(MLE)的动态评价行为模型中各节点条件概率表的计算方法。为了实现动态评价行为模型的增量修改,本文首先给出了新增评价数据对当前模型中节点影响度的定义,并以影响度为基础,提出基于马尔可夫覆盖求解修改子结构的方法。其次,本文提出根据条件互信息和时间的不可逆性质来修正修改子结构相邻时间片变量间的有向边的方法;然后,以BIC为度量,提出基于打分搜索方法从新增评价数据构建时间片中变量间的有向边的方法。进而,实现了动态评价行为模型的增量修改。建立在MovieLens数据集上的实验,测试了动态评价行为构建过程中各算法的运行时间,以及增量修改算法的运行时间;同时,还测试了本文动态评价行为模型预测用户评价行为的平均绝对误差(MAE)、正确率、覆盖率和F1值。实验结果验证了本文提出的动态用户行为建模方法的高效性及有效性。