在线用户行为的挖掘和建模,是社会学和复杂性科学研究的热点。大数据、智能终端等技术的出现,为研究在线用户行为提供了技术和数据支持。通过分析在线用户行为相似性使得隐藏在数据背后的规律得以浮现。由于在不同研究中,对用户行为的影响因素的考量有所差别,因此用户行为相似性计算方法的选取依具体研究情况而定,至今还未形成标准化、统一化的计算方法。此外,在线用户自身特征属性对其行为相似性的贡献度的研究也相对匮乏。基于此背景,本文选取在线用户行为日志作为数据来源,验证了虚拟空间中用户行为存在不同程度的相似性和差异性,识别了相似度较高的用户群体。进一步,结合用户自身的相关信息,研究了不同特征属性及其组合对在线用户行为相似性的影响程度。主要研究内容为以下三个方面:（1）在线用户行为相似性计算。基于生物学中序列对齐的思想,通过引入时间因素提出一种基于序列对齐的在线用户行为相似性计算算法SA-OUBSC。该算法首先将用户点击流数据转换成点击序列,进一步通过插入、删除、补偿等操作计算出不同用户点击序列的距离,从而得出用户间的行为相似性,并将这种相似性以矩阵的形式表达出来,最终验证了虚拟空间中不同用户其点击行为存在不同程度的相似性和差异性。（2）在线用户群体识别。在传统层次聚类的基础上通过引入优先级队列提出OUBS-GR算法。该方法首先从用户自身的基础信息中提取六个维度的特征属性;然后根据行为相似度矩阵对用户进行聚类,识别并区分出相似度较高的用户群体。进一步,基于熵值和纯度的评价方法对比了传统层次聚类群体识别的效果,验证了OUBS-GR算法的优越性。最后根据评价方法的计算结果初步得出不同特征属性对用户行为会产生不同程度的影响。（3）特征属性及其组合对行为相似性的贡献度。通过构建基于GraphSAGE的用户行为预测模型,分析基于不同特征属性所构建的模型的准确率来研究用户特征属性及其组合对用户行为相似性的贡献度。该模型首先基于相似度矩阵构建符合幂律分布的用户关系图;然后通过邻居采样、聚合邻居等操作构建用户行为预测模型。实验结果表明,单属性中基于性别构建的模型预测准确率为80%,预测准确率最高,则性别对于用户行为相似性的影响最大。属性组合中基于性别+教育程度这一组合的模型预测准确率最高,为65.3%,则该种组合对于用户行为相似性的贡献度高于其他组合。