在以往对网络论坛的研究中,主要分为定性与定量两种。其中,定量研究大多使用构建指标、利用文本统计工具来挖掘其中的信息。本文尝试利用最新的自然语言处理模型,结合网络论坛中数据的特点,通过构建文本分类和命名实体识别任务来从网络论坛的文本数据中提取用户的深层次特征。经过观察发现,网络论坛中可观察到的用户行为分为发表主题与评论回复两种,且在用户发表的主题中包含着该用户的各种观点、看法,而在评论回复数据中蕴含着两个用户之间的情感关系。因此,本文对上证股吧中2020年5月1日至5月27日全部的主题数据以及各主题下的评论回复数据进行了收集。对于主题数据的研究,本文从主题数据所属类别以及用户对股票的观点看法两个角度出发,分别设计了文本分类和命名实体识别两个任务,用以提取相应的用户特征。对于文本分类任务,通过人工标注的方式,将主题数据分为了八个类别,共标记了10230条。并在标记后的数据集上,对比了目前较优的Bi LSTM、Bi LSTM+Attention、Bert文本分类器这三种模型,结果表明Bert文本分类器要明显优于前两者;对于命名实体识别任务,则对5月1日至5月10日的主题数据进行了标注,同时考虑到得到实体名个数较少,采取了三种不同的数据增强方法,最终得到看好的实体5297个,不看好的实体1501个。并对比了Bi LSTM、Bi LSTM+CRF、Bert+Bi LSTM+CRF这三种在命名实体识别任务中表现较优的模型,结果表明Bert+Bi LSTM+CRF模型能更好的提取标注的两类实体。对于评论回复数据的研究,观察发现用户间关系可以分为支持、中立、反对三种。基于此,将收集到的评论回复数据分为三个不同的类别,共标记了8000组评论回复数据。同样,对比了Bi LSTM、Bi LSTM+Attention、Bert文本分类器这三种模型的分类性能,发现依旧是Bert文本分类器要更优。最后,根据从主题数据与评论回复数据中提取到的用户特征以及用户间关系,构建了上证股吧的用户脸谱数据库。并利用该数据库进行了用户社区发现的探究使用,发现使用Louvain算法恰好将用户分为八个社区。并通过对社区中所有用户的主题分布特征取平均,得出了社区的主题分布特征,进而实现了对上证股吧论坛在5月1日至5月10日期间用户发布主题行为的量化研究。