自互联网出现以来,商品和服务分配途径发生了很大变化。企业不仅可以通过零售店等传统渠道提供商品/服务,还可以通过在线虚拟商店提供商品/服务。这些网站敦促着用户改变他们的消费习惯,同时还在后台记录了大量的用户行为数据。为了改善用户体验,这些行为数据已广泛用于网站肖像和用户行为预测中在线用户行为的预测模型通常依赖于用户访问电子商务网站期间的行为序列数据,多样性的用户行为包括浏览、点击、收藏、加购物车、购买、评论等。在线评论反映了用户对商品的满意度情况,可以体现用户购买偏好,但是如何结合用户历史行为及在线评论信息来改进用户行为预测目前还较少受到关注。随着深度学习技术的发展,循环神经网络在序列数据挖掘上展现了较好的性能。因此,对基于行为和情感序列数据的在线用户行为预测的循环神经网络方法的进一步探究是非常有必要的。综上所述,本文主要的研究内容包括以下几个方面:（1）提出基于行为序列数据的在线用户行为预测的循环神经网络方法。提取用户历史购买行为序列信息,提出基于行为序列数据的在线用户行为预测的循环神经网络方法。对用户历史购买行为信息进行处理,将其转化为可输入判断的结构化信息;并给出基于行为序列数据的在线用户行为预测的循环神经网络模型和门控循环单元模型及其评估方法。（2）提出基于行为和情感序列数据的在线用户行为预测的循环神经网络方法。提取在线评论内容的情感倾向,构建在线用户情感序列信息,构建了基于行为和情感序列数据的在线用户行为预测的循环神经网络模型。首先,对在线评论进行情感分析,对结果的情感值提取出序列数据;然后,给出基于行为和情感序列数据的在线用户行为预测的循环神经网络模型和门控循环单元模型及其评估方法。（3）基于行为和情感序列数据的在线用户行为预测的循环神经网络方法的应用研究。针对亚马逊网站用户购买行为预测问题,分别给出基于行为序列数据的循环神经网络及门控循环单元预测方法和基于行为和情感序列数据的循环神经网络及门控循环单元预测方法的应用研究,进而验证循环神经网络及门控循环单元方法在用户行为预测方面的合理性与准确性,并且在与其他用户行为预测方法的比较中证实了,循环神经网络预测方法及门控循环单元预测方法要优于其他方法。