随着信息化逐步改善生活,衍生出如人人网、开心网、腾讯朋友网等的各类社区网络服务,它们向人们提供整合知识、咨询疑难、新闻关注、互通友谊等崭新功能,而通过分析用户行为来提供适合不同用户的特定服务将能够极大的增强用户体验。本文的目的正是为社区网站构建一套个性化智能推荐引擎,通过分析社区网站用户的特征,挖潜其用户的兴趣关注点,充分加强社区网站的用户体验,并为处于门户网站阶段、搜索引擎阶段的网站改造为智能推荐阶段提供一个原型参考。通过参考数据挖掘及行为分析的国内外相关文献,本文先设计了基于数据挖掘的用户行为分析系统的总体架构及其主要业务流程,而后参照数据挖掘系统的构建基本步骤,本文从特征收集、特征预处理、相关性特征数据挖掘算法、特征数据高效索引等几个流程对基于社区网站用户行为分析系统进行详细设计,同时对该系统的时间调度机制进行了阐述。为解决海量用户的高效行为分析,本文借鉴已有的研究成果,通过改进的正则表达式多模匹配算法实现高性能数据预处理模块,并通过建模将用户行为分析转换为排名问题进而采用Ranking算法进行数据挖掘,最后本系统将挖掘出的数据特征映射到高维空间,采用LSH算法构建模糊搜索来进行高性能的匹配与邻近查询。经过实验仿真,多样化的分词引擎配合较为全面的词库不仅可以将用户的输入文本进行快速分词,同时具有较高的准确性；而正则表达式多模匹配算法经优化后可一定程度上降低内存消耗,实现可用的高效用户关注点匹配引擎；经过不同维度及不同数据规模的测试,改进的LSH算法可以满足海量用户兴趣特征的存储索引,不仅能在特征数量维度增加的时候保持建库及查询时间的线性增长,同时不会由于用户量的增加而明显增加检索匹配时间。因此本系统可基本满足社区网站的行为分析需求,为社区网站的用户行为分析提供了一套可行方案。