电商类网站的兴起与用户在线购物习惯的形成，带来了海量的在线消费行为数据。如何利用这些行为数据(如点击数据)将用户对相似商品的比较和选择的过程建模，进而准确预测用户的兴趣偏好和购买行为，是对于提高商品的购买转化率具有重要意义的问题。针对这一问题，本文提出了基于用户行为序列数据和选择模型的在线购买预测解决方案。具体而言，本文首先使用行为序列效用函数估计用户在购买周期(Session)中的最佳替代商品，然后对购买商品和最佳替代商品建立基于潜在因子的选择模型(LF-CM)，从而得到用户的购买偏好，实现对用户购买行为的预测。更进一步，为了充分地利用用户在每个购买周期的所有选择和比较信息，提高预测精度，本文还提出了一种可以作用于购买周期内所有商品的排序学习模型(LFS-CM)，它通过融合潜在因子和行为序列的效用函数，提高了购买预测的精度。最后，在大规模真实数据集上进行了分布式实验，并与参照算法进行了对比，从而证实了本文所提出的两个方法在用户在线购买预测上的有效性。