随着互联网电子商务的发展,越来越多的商品可以在网上购买。对电子商务网站而言,分析出用户的消费意图,可以将对应的商品推送给用户,因此,对消费意图的研究具有重要的经济价值。具体而言,本文的研究内容包括以下三个部分:1、基于迁移学习的多领域消费意图识别。消费意图识别是一个领域相关的任务,对每个领域进行数据标注是成本巨大的。迁移学习可以解决这种问题,深度神经网络常被用于学习可迁移的特征,以使模型从源领域迁移到目标领域。常规的领域迁移方法将一个源领域的数据迁移到一个目标领域,这种迁移是单向、单源的。在第一章中,我们提出了一个双向多源的迁移学习模型,该模型在消费意图识别任务上的表现大幅超过了基线模型。2、消费事理图谱构建。事件间的顺承演化关系存在其内在规律,我们使用事理图谱对这种关系进行建模。事件和消费意图存在常识意义的对应关系,我们使用消费图谱对这种关系进行建模。二者合称为消费事理图谱。在第二章中,我们探索了消费事理图谱的自动构建方法。我们基于预训练模型进行了事件抽取和事件间顺承关系的识别。事件和消费意图之间的对应关系很少在文本中被显式表达,因此难以通过抽取方式得到。我们爬取了商品评论作为弱监督信号,人工标注了部分数据作为强监督信号,提出利用二分图嵌入算法有效利用上述两种信息,在消费图谱构建任务上的相关实验结果超过了基线模型。3、基于消费事理图谱的消费意图识别和预测。事件之间存在常识意义的顺承演化关系,因此用户的消费意图也不是一成不变的,如一个用户从“结婚”到“生孩子”,其消费意图也从“求婚钻戒”到“婴儿奶粉”。消费意图可以分为短期消费意图和长期消费意图,对二者的研究分别称为消费意图识别和消费意图预测。在第三章中,我们给出了首个针对该任务的中文数据集并提出了同异质关系注意力模型用于给予消费事理图谱的消费意图的识别和预测,其可以显式地建模消费事理图谱中的同质和异质边,在消费意图识别和预测任务上的实验结果超过了基线模型。该模型亦可扩展至节点类别更多的异质图。