互联网技术的快速发展为在线购物的普及提供了基础。随着国内网民数量的增长接近瓶颈,各大电子商务平台之间逐渐由增量市场竞争转为存量市场竞争。因此,如何为用户提供更加个性化的服务,以及深入理解用户的潜在购物意图成为各大电商平台提高市场竞争力的核心手段之一。在大数据和人工智能快速发展的时代,采用人工智能和数据挖掘技术分析用户在电商平台中产生的海量行为数据,挖掘用户的在线行为模式以及发现用户行为的衍化规律正成为新的研究热点。本文针对电商平台的用户在线行为分析和意图预测两个问题,分别提出了相应的解决方案,主要的研究内容及创新如下:（1）研究了用户-商品的未来交互预测问题,并提出了一种基于递归RNN的预测模型。该模型基于循环神经网络在建模时序数据的优势,采用一种相互迭代的学习方式捕捉用户和商品嵌入学习的动态性和依赖关系。本文提出了一种基于用户-商品交互图的用户-用户和物品-物品之间相似性的度量方法,并将其作为辅助信息以缓解用户和商品交互数据稀疏的问题。最后本文提出一个位移嵌入模块以建模用户的嵌入向量轨迹,以预测用户未来嵌入向量。（2）研究了用户的潜在行为意图预测问题,并提出了一种分层自注意力机制的意图预测模型。该模型的底层是一个多意图自注意力模块对用户在一个会话中的复杂意图进行建模。为了保证时间流动的单向性,本文提出了一个Mask矩阵。利用用户的固有特征通过个性化的注意力机制使得建模的会话中意图满足个性化的要求。模型的高层是一个多头自注意力模块,用来建模用户在不同的历史会话中跨会话间的长期依赖关系。最后通过一个MLP层得到最终的预测结果。我们在多个真实数据集上进行了实验验证,结果表明本文提出的两个方法在Recall和MRR两个评价指标上均优于现有的算法,最佳实验分别提升了9.2%和3.6%。