用户画像是建立在大量网络数据上的真实用户的虚拟代表,是在社会属性、生活习惯和消费行为等维度对用户特征的抽象建模。用户画像的精确度依赖于训练数据集的大小。然而,实际应用中的“数据孤岛”问题、集中训练时机器的计算资源及存储资源瓶颈问题限制了训练数据集的大小,导致单一机构无法利用本地数据构建全面、精准的用户画像,进而限制了用户画像的应用。针对上述问题,本文基于联邦学习架构,联合多个参与方基于用户文本数据训练全面、精准的用户画像。提出了基于联邦学习的用户画像构建方法Fed-UserPro,在联邦学习架构下训练全局LDA主题模型和Softmax用户分类模型。针对参与方之间数据非独立同分布情况,采用中心服务器统一训练全局LDA主题模型,并利用一致性和困惑度的综合得分确定全局主题数量,充分挖掘用户数据的主题特征。中心服务器和联邦学习参与方之间使用Fed Avg算法更新全局Softmax模型参数,进行精确的用户分类,提高了用户画像构建的准确率。在真实数据集上对Fed-UserPro算法进行了实验,实验表明Fed-UserPro算法在准确率等方面有明显的提高,比单一参与方数据训练的用户画像准确率提升了19.71%,最差情况下也可提升8.69%。针对文本数据较少的用户,挖掘与用户浏览行为相关的文本数据,基于联邦学习架构训练全局词向量模型和Text CNN文本分类模型,将用户行为与文本特征进行映射,进而构建用户画像。针对联邦学习参与方的数据分布呈现非独立同分布情况,提出了词粒度的全局模型参数更新方法Fed W2V,在真实数据集上的实验结果表明,该算法在后续分类的外部任务、相似性和类比性的内部任务中都有所提高。针对深度学习Text CNN模型参数较大,在复杂网络环境下容易产生高昂的通信成本问题,提出了联邦学习初始化模型剪枝算法Fed Init Prune,减少了联邦学习模型参数传输阶段上行链路和下行链路的通信数据量,降低了联邦通信成本。在真实数据集上对该算法进行了实验,实验结果表明全局模型分类正确率在损失2%以内时,联邦学习的通信数据量可减少74.26%。最后,本文对于上述两种基于联邦学习的用户画像构建方法进行了应用,对构建的用户画像进行了可视化展示。