个性化服务是互联网应用的重要研究方向,用户行为预测构成了个性化服务的基础。用户行为预测在互联网应用中发挥出越来越重要的作用,例如在线展示广告,商品推荐,等等。用户行为预测使用的特征往往以离散值的形式出现,并呈现出稀疏性的特点,给预测和学习任务带来了巨大的困难。目前,用户行为预测模型应用最广的是基于矩阵分解的模型和神经网络模型。经本工作的分析,对于多域离散数据,基于矩阵分解的模型存在一个梯度耦合的问题,神经网络存在一个梯度不敏感的问题。基于以上分析,本工作将用户行为预测问题分为两个阶段,使用基于矩阵分解(隐变量)的方法学习离散特征表达,使用神经网络作为分类器。为了解决梯度耦合问题,本工作提出了核积运算来扩展向量内积运算,用以学习特征之间的交互,该方法能够从理论上解决梯度耦合问题。为了解决梯度不敏感的问题,本工作提出将特征表达阶段学习到的离散特征表达与特征交互一起输入神经网络,从而完成分类任务。在此基础上,本工作提出了一种新型神经网络架构,具有极高的灵活性与表达能力。本工作在多个公开数据集上进行了验证以及消融实验,实验证明,本工作提出的神经网络框架能够取得领先的结果。同时,该工作还实现了一个深度学习的推荐系统,部署在华为app商店中。该系统在在线测试中,相比基线模型取得了平均36%的点击率提升,目前已经上线。本工作发表在CCF-A类期刊ACM Transaction on Information System上。