在电子商务个性化推荐领域,对于个性化特征的研究主要集中于对个体外在行为的分析中,而对于个体内在心理特征的关注则较为缺乏。心理特征是用户行为的内因,对用户个体的刻画应该包含对心理特征的提取。本文以此为切入点,基于社交网络上丰富的用户生成数据,采用不同的回归模型对用户心境状态这一心理变量进行预测,建立网络用户心境状态自动化提取方法,将丰富个性化推荐中用户研究的相关内容,完善电子商务个性化推荐策略和营销策略。微博等社交平台积累了大量的用户生成数据,这些数据中往往带有一定的个人特征或偏好,越来越多的研究者开始关注这些社交平台数据,致力于从海量的网络行为数据中挖掘出有用的信息,并对用户属性或特征进行预测。心境状态作为一种稳定而持久的情感特征,可以对人们的行为产生影响并表征于网络行为中,因此,可以通过网络行为数据对用户心境状态进行分析和预测。本文利用微博社交平台上的主页信息以及用户生成的文本内容对用户心境状态进行预测,主要考虑了微博用户生成文本中语言使用特征的差异,包括词汇使用频率等基础特征以及语言情感特征。本文自主构建了心境状态情感词典对文本的情感特征进行提取,并建立了不同时间段内的微博文本语言时序特征,用来研究心境状态可能的持续时间。通过建立网络用户行为特征与心境状态之间的关联关系,分析不同心境状态下用户行为的差异性,然后采用不同的回归模型对用户心境状态进行预测,从而实现心境状态的自动化获取。对新浪微博平台用户的实验研究结果表明可以使用社交网络数据对用户心境状态进行提取和预测,用户的文本语言使用特征对于心境状态具有一定的预测效果。相关分析结果表明用户在包含词、相对词等几类词汇的使用频率上与心境状态具备明显的相关性;用户的心境状态对用户三个月的语言文本情感特征中能产生较为明显的影响,表明心境状态的持续影响时间可能在三个月左右。回归模型的验证结果说明多任务回归的方法相比独立回归方法能取得更好的预测效果,多任务回归模型在处理多个关联变量的同步预测任务时能发挥其多任务的算法优势。