随着人工智能各式产品的诞生,用户的行为数据在广度、深度以及精度上都有很大的变化,数据成为一种重要的资源。用户数据在简单统计查询层面上的技术已经比较成熟,现在倾向于利用深度学习、机器学习等人工智能相关技术对数据进行深入理解和探索。用户画像是通过对用户数据深度挖掘,得到用户的标签。商家可以依据画像全面了解用户分布,提供个性化的服务,提升产品的用户体验,并且用户画像可以为一些决策提供事实支撑。所以众多商业智能系统中用户画像必不可少。相较于以往研究者和相关从业者基于简单查询统计的方法构建用户画像,本文依据企业实际业务需求,应用大数据机器学习模型完成人口属性标签的构建,创新性地将深度学习模型引入了用户兴趣标签的构建。本文首先采集用户的APP行为或文本数据,然后从数据仓库清洗原始数据、抽取训练样本,人口属性标签选取的量级是253万,其中性别标签的用户量级27万,学历标签量级226万,兴趣标签中负样本60931,正样本110388。然后在人口属性标签的分类预测中,用到了APP行为数据,对比了不同特征构建方法和LR、SVM模型分别对结果的影响,在兴趣标签的意图识别上,用到了文本数据,对比了目前NLP领域最流行的几种深度模型Bert、Transformer、Bi-LSTM+Attention和CNN的效果。最后结果表明,对于人口属性标签构建,特征使用app名称的索引值映射为0或1,样本采样比例设为1.0,模型选择逻辑回归+L2正则地效果最好,年龄预测的整体准确率可以达到85.2%,学历预测的整体准确率可以达到74.5%。对于兴趣标签的构建,经过预训练得到的Bert模型在下游分类任务中的确有很大优势,能准确的判断用户意图,兴趣标签预测的准确率达到99.0%。