在移动互联背景下,智能终端应用的普及使社交媒体迅速发展,一种新兴的媒介形式——短视频,因其信息携带量大,碎片化传播、人性化内容产出形式等特点颇受大众欢迎,移动化的短视频社交媒体快速崛起,并逐渐向各领域扩展,人们的生活方式也随着短视频行业的发展而产生重大变化。随着智能互联网的到来将会促使短视频行业进入更快速的发展阶段。为了适应社会发展的变革,企业从“以产品为中心”向“以用户为中心”变换,通过数据可视化手段分析海量用户数据,可以挖掘出有关用户的潜在价值,帮助企业了解现有用户的行为习惯,为用户提供能满足其需求的服务。与此同时,基于数据挖掘技术的用户预测任务,有助于企业挖掘目标用户,从而强化用户对企业的商业价值。所以,数据挖掘技术对于用户研究而言,具有有效的应用价值和现实的指导意义。基于以上背景,运用可视化分析方法和数据挖掘技术,完成用户分析与建模预测任务,首先基于用户数据较为丰富的社交媒体平台——快手,利用Python等工具处理、分析用户属性及行为数据,通过三种用户研究方法,完成用户画像、访问行为及活跃留存等维度的可视化分析,这项工作的目标在于发掘用户的各项特征,制定精准预测策略来辅助决策。其次提取用户注册、登录、视频观看与发布、互动等多个行为特征,建立四种经典的活跃预测模型以评估用户未来一周内活跃状态,并通过加权融合技术提升模型性能2%左右。最后为了简化特征工程,提高模型的有效性,提出一种更实用的迭代优化方法,实证后,模型表现结果提高8%,实现了接近实际应用场景的用户活跃预测任务。本文的研究成果概括为以下几个方面:（1）本研究首先针对目前火热的短视频用户从异常与正常用户在行为上的不同给出相应的解决方法,主要利用了三种用户研究方法,从四个层面可视化分析了用户属性、行为等信息,其中通过多个指标介绍了用户活跃并留存的现实意义,为接下来的实验提供了研究基础。（2）深入上一个研究内容,首先研究了数据挖掘领域浅层的机器学习算法的特点,找到了滑动窗口模型分割数据集的有效方法,并且根据用户行为特点构建了庞大的特征工程,接着经过经典的机器学习算法建模,对比选出四种适合本场景的分类预测器:逻辑回归、决策树、LightGBM和浅层神经网络,并对效果较好的后两种进行加权融合实验,取得了一定的提升效果,但不是很显著,同时也给后续更进一步的研究打下了实验基础。（3）面对传统的用户行为建模过程中复杂且耗时的特征工程任务,很难在实际业务应用中做到准确性和普适性,此外,深入考虑到浅层神经网络模型在时序数据上的的局限性,决定采用门机制的GRU单元改进标准的RNN神经元,在此基础上结合业务需要,提出一个结合余弦降火和热重启技术的迭代优化方法,从而最小化误差,旨在使这个预测模型性能更接近真实的结果。实证在本实验数据集上,取得了较大的突破。