随着移动支付的快速发展和全面普及,支付数据规模也呈爆炸式增长,商家迫切希望利用用户消费行为偏好,快速定位目标消费群体,而对支付行为数据的有效挖掘是分析用户消费偏好的必要手段。本文在企业委托的“大数据公共数据模型开发服务”项目支持下,利用移动数据进行用户支付行为偏好分析,主要包括用户发生支付的方式、时间和地点识别。本文针对传统方法识别移动支付方式、时间和地点存在的精度差、效率低等问题,提出一种基于知识与数据共同驱动的移动用户支付行为识别方法。在支付方式、时间和地点识别前引入支付事件识别,首先利用数据驱动模型对上网行为事件进行识别,筛选出支付事件后,再利用知识驱动模型识别其支付方式、时间和地点,不仅提高了识别准确率还改善了识别效率。在数据驱动模型方面,针对现有时间序列划分方法对用户上网行为划分不精确等问题,本文利用用户上网行为数据中事件的特性,提出一种基于事件驱动的用户行为时间序列自动划分方法,改善模型特征提取的有效性。并对划分后的上网行为事件提取支付相关特征,利用机器学习分类模型进行移动支付事件识别。在知识驱动模型方面,针对关键词提取算法本身的缺陷及未考虑移动支付领域的知识特点,本文提出一种基于改进TF-IDF的移动支付方式关键词提取方法,并利用方差贡献度的思想构建移动支付方式关键词库,改善知识驱动模型中知识库的有效性,从而提高移动支付方式识别性能。同时,本文根据移动信令数据中基站位置信息,构建用户行为位置信息库,实现移动支付时间和地点识别。实验结果表明,在数据驱动模型移动支付事件识别方面,本文所提基于事件驱动的用户行为时间序列自动划分方法在准确率和召回率上均优于对比方法;在知识与数据共同驱动模型方面,本文提出的知识与数据共同驱动的模型在₁F准则下识别性能优于对比方法,对不同移动支付方式识别分别达到了88.3%（支付宝）、86.7%（微信支付）和95.5%（无支付）,满足模型应用需求。