随着我国电商行业的发展,各大电商平台需要更加个性化、智能化的方法提升平台的收益以及用户的购物体验。对用户的消费偏好的研究可以准确预测电商平台广告点击率,从而有效实现精准营销和个性化推荐。本文从电商平台用户历史行为序列和商品特征属性两个方面出发,深入电商平台用户、商品特征隐藏的用户兴趣研究。本文贡献总结如下:1.基于用户行为序列特征层面,针对传统循环神经网络处理时序数据的优势但忽略输入序列时间间隔的现象,本文使用了一种时间门控循环单元（Time-GRU）的结构,通过引入时间因素来实现同时预测用户短期兴趣和长期兴趣的目标。其次,本文引入了辅助损失函数来监督用户兴趣特征的提取和Time-GRU的学习。然后,本文在模型中使用了一种基于注意力机制的门控循环单元,以增强与目标广告相关的用户兴趣的影响。最后,针对目标广告等非时序特征中潜在的高维隐性信息以及用户行为序列隐藏的用户兴趣,本文提出一种融合用户兴趣与隐性特征的广告点击率预测模型,从而提升点击率预测的准确率。2.基于商品多模态特征属性层面,针对商品的多模态属性特征隐含的丰富语义以及用户、商品之间的多元关系,本文构建了一种基于超图的多模态特征表示的点击转化率预测模型。该模型利用超图的灵活性和表现力以及图卷积神经网络的表征学习能力,以学习用户、商品的特征表示。模型首先在用户兴趣组层面和商品特征层面建立超图特征表示空间,借助超图学习用户商品之间的多元关系以及商品多模态特征属性的表示,同时引入时间衰减因子刻画用户兴趣的动态性。接着利用基于超图的图卷积神经网络从超图结构中挖掘用户偏好,从而建立一个有效的点击转化率预测模型。最后,本文在重庆新华阅淘网销售数据集和Tik Tok公开数据集验证所提模型的有效性和可靠性。结果表明,本文提出的模型能够有效从用户历史行为序列和商品特征属性层面模拟用户偏好,进而有效提升点击率和点击转化率预测准确率。