移动通信网络已成为当今社会生活中不可缺少的基础设施,电信运营商的服务器每天都会收集大量的用户相关电信数据,这些数据背后隐含了各种各样的用户行为模式,甚至包括电信诈骗、养号和薅羊毛等黑产行为,亟需利用异常检测技术发现异常用户从而打击犯罪,并且利用聚类分析技术构建用户画像从而实现精准营销,以帮助运营商降低运营成本并提高服务质量。本文依托于机器学习和深度学习技术,以实现基于电信数据的异常检测和用户聚类分析为目的,提出并搭建了多维电信用户行为分析框架,设计了能够实现高效电信异常用户检测的分层局部敏感哈希离群因子算法(Hierarchical LSH-LOF)和用于电信用户数据降维的因子分解机-自编码器(FM-AE)算法,通过对比实验验证其有效性,最终使用K均值算法进行聚类,完成了电信用户异常检测和聚类分析的任务。本文主要创新点如下:(1)设计了用于异常用户检测的分层LSH-LOF算法,改进了局部异常因子(Local Outlier Factor)算法中k个最近邻点搜索的过程,极大地提高了异常检测效率。该算法借助局部敏感哈希(Locality Sensitivity Hashing)思想,经过由粗到细两次数据映射,逐步缩小k个最近邻点搜索范围,从而缩短了异常检测耗时。与基于KD树的LOF进行的对比试验证明所提出的分层LSH-LOF在几乎不降低检测准确度的情况下耗时仅为前者的1/7。本文应用分层LSH-LOF算法完成了电信异常用户检测任务并详细分析了异常用户类型。(2)设计了用于电信数据降维的FM-AE算法,改进了基于神经网络的自编码器(Autoencoders,AE)数据输入端的网络结构,提高了降维算法对原始数据重要信息的保留能力。该算法采用因子分解机(Factorization Machines,FM)在自编码器输入端学习二阶交叉特征,与原始数据拼接后输入自编码器,端到端训练后由隐藏层输出降维后数据。与PCA、核PCA、LLE、t-SNE、普通自编码器共五种降维算法的对比实验证明FM-AE能够更有效地保留原始数据信息。本文应用FM-AE算法完成了电信数据降维,然后采用K均值聚类算法进行了用户聚类,给出了用户画像分析和精准营销建议。