在当今大数据时代背景之下,用户行为分析尤其是电子商务平台下的用户消费行为分析是国内外学术研究的热点,并且在工程应用中十分广泛。用户消费行为分析有助于电商平台做广告的精准化投放,商品的个性化推荐;有助于电商卖家洞悉用户消费心理,跟踪用户消费趋势,从而生产用户喜欢的商品,提高商家的盈利。国内外已经有很多学者对在线用户行为分析进行研究。通过对在线用户行为的分析建模构造了包括推荐系统,社交影响力分析等众多应用,并取得了不错的效果。近年来电子商务的兴起,Hadoop及Spark等大数据和云计算等技术的发展使得基于电子商务平台的用户消费行为分析成为可能。本文从两个合理假设的基础上对用户消费行为进行定义。从而可以对用户消费行为进行量化研究。并基于此定义从三个方面对用户消费行为进行建模。第一方面,从数学角度对用户消费行为进行理解并构建用户消费行为的概率公式,再通过若干独立性假设使得本文可以对用户消费行为的概率公式进行求解。第二方面,本文分析了数学模型的众多缺点并从商品特征对用户消费决策的影响方面提出了用朴素贝叶斯方法对用户消费行为进行建模的方法。第三方面,朴素贝叶斯方法对商品各特征对用户消费决策的影响做了条件独立的假设,此假设有一定的局限性。考虑到用户消费行为与神经网络的训练比较类似,本文又选择了神经网络对用户消费行为进行建模。最终本文得到了3个模型,由于第一个模型的局限性,在实验中本文只对第二和第三个模型进行了训练并测试。实验中,本文首先对从某B2C电子商务公式获取的数据进行预处理,然后对两个模型进行训练并测试。总的来说,朴素贝叶斯方法对用户消费行为的预测准确率能达到70%以上,而神经网络模型对用户消费行为的预测准确率能达到85%以上。