随着互联网技术的飞速发展,人们在网络中产生越来越多的行为日志,这些行为日志数据来源丰富,能从各个层面提取当前用户的基本特征以及高级特征,用户的这些特征统称为用户画像。多粒度的用户画像不仅能精准表示用户特征,为用户提供个性化推荐,还能扩大用户影响力、实现精准营销等。如何从海量的用户行为日志中构建精准的用户画像,成为自然语言处理研究领域面临的巨大挑战之一。本文以日志分析技术为基础,对日志解析以及日志应用任务开展了研究。在日志应用方面,用户画像任务是本文的研究重点。在构建用户画像时,不仅要挖掘用户的基本特征,如性别、年龄,还需要抽取用户的高级特征,例如人物关系。针对以上问题,本文就日志分析、用户画像的基本特征提取以及关系抽取三个方面进行了研究并提出了相关算法和模型。具体研究内容如下:1.对于日志分析任务,提出了一种日志分析框架,该框架主要包括四个模块:日志记录、日志存储、日志解析、日志应用。其中日志解析是日志分析任务的一大挑战,现有的日志解析算法在准确率和鲁棒性上表现不足,因此设计了一种基于关键词的日志解析算法,该算法首先识别日志消息中的关键词,然后根据关键词匹配对应的日志模板,并计算日志消息和日志模板之间的距离,从而对日志消息进行解析。在公开的多种日志数据集上的实验证明了该算法的有效性和鲁棒性。最后对解析后的日志进行了实际应用,通过统计分析用户在系统中经常访问的网页序列日志以及他们在系统中的操作内容日志来构建用户画像,并为用户推荐感兴趣的人和家谱。2.对于用户画像的基本特征抽取任务,提出了基于多层注意力机制的联合用户画像模型JUHA,该模型利用用户的行为日志,预测用户的年龄和性别特征。现有的用户画像模型仅利用用户的单一特征进行推断,而JUHA首先根据用户的行为数据类型划分为对应的用户行为包,然后利用卷积神经网络模型和词级别、句子级别的注意力机制,提取每个包的特征,记为用户内部特征。接着,根据用户之间的相似行为对用户进行相互关联,形成用户-用户图,利用图卷积网络从用户-用户图中提取用户间特征。最后将用户间特征和用户内部特征融合,联合学习用户的综合特征。根据最终的用户表示,进行用户年龄和性别的预测。在两个真实世界数据集上的实验表明,JUHA模型优于基线模型。3.对于用户画像的高级特征抽取任务,提出了基于关键词和多层注意力机制的远程监督关系抽取模型PCKA,该模型从实体的文本数据包中抽取实体间的关系,但由于远程监督方法的缺陷,语料中包含有大量的噪音数据,并且有些实体包中数据太少,难以抽取有效的包特征。PCKA模型利用多层注意力机制来缓解噪音数据和包信息量少的影响。首先通过实体向量获得近似的关系向量,然后计算句子中每个词语与该近似关系向量的相似度,选择相似度高的词作为关键词,利用这些关键词作为词级别注意力的上下文表示,计算句子中各词语的权重,并结合PCNN模型获得句子的特征向量。在句子模块中,同样利用关键词计算各句子的注意力权重,获得包的特征向量。在包模块中,利用包之间的相似度,将相似度高的包特征融合进当前包中,并利用包级别的注意力分配对应的权重,获得最终的包表示,进而进行关系分类。在广泛使用的NYT数据集上的实验表明,PCKA模型无论在AUC值还是P@N值上都优于现有的远程监督关系抽取算法。