随着移动智能终端的普及和网络服务平台的快速兴起,如今,我们每个人都会在各种各样的服务平台拥有着自己的账户。然而由于平台的互斥性,我们很难知道,某两个或多个用户是否是同一个人,如何对跨平台的用户进行识别匹配,即异构网络用户对齐,如今成为了一个有趣且很有挑战的问题。本论文从异构电商平台网络用户对齐的技术和应用层面出发,深入研究电商平台用户关系结构特征和用户兴趣偏好,实现跨电商平台用户对齐以及深入挖掘用户兴趣群组进行个性化商品推荐。本文的贡献可以总结如下:1.在异构电商平台网络用户对齐的技术层面。首先,针对跨异质电商平台网络数据节点类型众多,有效数据稀疏的问题。本文提出了基于元路径的实体-关系聚合方法,聚合丰富的邻居信息,获取实体节点之间的关键信息。其次,在信息聚合的基础上,针对电商平台用户属性信息的复杂性、用户-商品关系的多样性。本文分别提出了用户属性关系UARE（User Attribute Relations Embedding）和用户交互关系EIRE（User Interaction Relations Embedding）的结构关系表示模型。对电商平台用户实体的全貌信息空间进行更加有效的表示。最后,为了提高用户特征的表达,解决单独使用用户属性关系或用户交互关系特征的单一性、片面性。本文提出了用户关系序列模型URSTA（User Relations Sequence Transformer for Alignment）,把用户属性关系和用户交互关系进行融合起来,充分结合利用了实体个人属性及实体-关系之间的关系并捕捉重要信息,进行用户对齐预测。2.在异构电商平台网络用户对齐的应用层面。首先,本文通过用户对齐模型对跨平台用户建立用户兴趣群组,从而对数据进行有效地补充,缓解电商平台用户有效行为数据稀疏性以及随之产生的冷启动问题。同时考虑用户的不同关系以及用户兴趣的时效性对于推荐精度影响的问题,提出一种基于用户兴趣群组和异构序列融合的个性化推荐算法。通过引入时间序列化处理,充分考虑时序特征和语义特征的相关性,利用注意机制对用户的长、短期行为序列进行建模分析,挖掘用户的长期偏好和短期兴趣。结合用户的兴趣活跃度,商品的流行度,计算用户的对兴趣群组中商品的兴趣度,预测出来用户当前活跃兴趣及当前兴趣向量,并生成Top-N推荐列表。最后,通过在真实的书城电商平台数据对本文提出方法模型的有效性和可靠性进行了实验验证。通过实验表明,所提出的模型能够有效的对异构电商平台网络用户进行较好的对齐,通过对对齐后的用户建立用户兴趣群组,挖掘用户行为序列背后的隐藏信息,捕获用户的长期偏好和短期偏好,能够提升个性化推荐的准确度。