随着我国科技的不断发展,在物流领域解决“最后一公里”问题之后,在5G网络方面实现大面积覆盖之后,如今利用电商平台进行购物已经成为当前中国消费者最主要的购物方式。网购用户规模的增长,使得电商平台越来越重视对用户的精准营销。如何实现精准预测用户偏好,如何在实业场景中实现高效的商品推荐,如何提升平台推荐的转化率,都是当前各大电商平台主要研究的问题。本文首先阐述了课题的研究背景和研究意义,针对当前的研究现状提出本课题的研究目的,此外还对当前国内外的研究现状进行了总结,对常用的基于深度学习的推荐算法进行了详细的阐述,并概述了对用户行为的相关影响因素。其次,本文选择了“淘宝用户行为数据集”作为研究对象,该数据集包含用户的隐式反馈行为,可以较好地反映用户的浏览、收藏、加购行为对其购买行为的影响。通过对数据集进行数据分析、数据清洗、数据可视化、构建特征工程和特征选择等处理,本文提取到包含用户层面、商品层面、商品类特征和组合特征层面这四个层面的数据特征,并从这些特征中筛选出较为重要的特征,以确保在后续的模型上得到较好的表现。最后,选择用F1-Score指标分别对CNN模型和胶囊网络模型进行评估,实验结果表明,基于胶囊网络的模型在本实验的数据集上具有不错的预测效果,对获取到的预测结果进行统计,计算用户之间的相似度,得到目标用户的TOP-5相似邻居,即可生成目标用户最有可能购买的商品集合。本文以淘宝电商平台的用户行为作为研究对象,构建基于胶囊网络的预测模型,并实现了商品推荐,本文具有一定的现实意义,为电商平台向用户推荐商品,提供了一定的参考价值和借鉴意义。