随着移动互联网的发展,越来越多的用户通过移动终端,使用数据流量观看视频。用户在观看移动视频的同时,产生了大量的行为数据。从用户的行为数据中分析用户的属性信息,挖掘用户的兴趣和偏好,会帮助网络运营商和视频提供商改进服务质量。本文提出了一种基于用户行为数据和视频评论文本的移动用户画像构建方案。该方案不依赖特征工程准确预测用户的个人属性,并且设计了层次标签体系描述用户的兴趣偏好。提出了一种共嵌入注意力网络模型用于预测用户的年龄和性别。该模型首先分别从用户观看记录和视频评论文档中,学习视频的观看向量和评论向量;之后结合两个向量作为视频特征,并引入注意力机制,构建共嵌入注意力网络;最后将用户的视频观看记录输入到网络中预测用户的属性信息。在性别预测和年龄预测两个任务中,共嵌入注意力网络分别取得了91.6%和56.4%的F1-score。提出了一种视频的粗粒度标签获取算法。该算法构建了层次注意力网络,学习评论文本中单词和评论的权重;最后预测所有标签的置信度并确定视频的一级标签。此外还提出了基于文档重构的样本均衡法,解决样本分布不均衡问题的同时利用了更多的文本信息。视频粗粒度标签获取算法在标签推荐任务上取得了78.05%的召回率,性能优于主流文本分类算法。提出了一种无监督的融合标签抽取算法。为了获取视频的细粒度标签,该算法分别通过TF-IDF算法和改良的Text Rank算法从视频评论中抽取两组标签,之后利用投票法确定视频的二级标签。问卷实验的结果表明,融合标签抽取算法获得的标签能更准确描述视频。最后,基于一级标签和二级标签构建视频层次标签体系,并结合用户的观看记录建立了移动视频用户的兴趣标签画像。