电子商务从刚刚兴起到成为人们日常生活中重要的角色只经过短短的三四年,如今中国的电子商务技术产业已经形成了非常庞大、完整的生态系统。电子商务的快速发展与其方便快捷、省时省力的特点密不可分,同时,由于电子商务中不需要商家与用户面对面交易,导致商家无法准确把握用户的偏好与需求。随着大规模数据行业的高速发展,电子商务行业也迅速崛起,该行业中,在用户与平台达成交易后,平台中会留下许多相关数据,包括用户特征数据、用户行为数据以及用户发生行为的商品特征数据等等。如果能够有效利用这些数据,准确分析并预测用户的行为,就能为用户推荐他们的偏好商品,进而提高用户对各自推荐商品的浏览量、点击量、甚至是购买量。本篇文章把用户在电子商务平台—阿里巴巴中进行交易留下的真实的用户特征数据、商品特征数据、用户行为数据作为原始数据,通过图卷积神经网络的方法对预测用户点击购买行为进行建模。本文首先对电子商务中预测用户点击购买行为的研究背景和研究意义进行了分析,若能准确把握预测用户的点击偏好,对于提高电子商务平台业务量、满足用户需求、激发用户购买欲望、节约时间等均有重要意义;后对用户购买点击行为的预测和研究进行了文献综述,深入了解预测用户行为的国内外研究现状及当前研究的不足。之后对原始数据进行初步分析,此部分内容主要探讨了用户的各种特征与用户行为之间存在何种关系,最后就是建模的各个步骤,包括数据预处理、构建预测模型以及模型效果的比较分析。为了整合用户的行为数据并向用户推荐偏好商品,本文应用了一种使用数据分析方法——图卷积神经网络来对用户的点击购买行为进行预测。该方法首先将用户-商品的行为数据处理成二部图矩阵,同时利用用户-商品品类频率筛选方法对用户行为数据进行无效行为剔除,并用给用户随机添加商品行为的方式生成正负样本;之后对二部图矩阵进行图卷积操作,卷积操作完成后以用户本身作为根节点,拟合单层神经网络传递函数,将其余节点的信息传递至根节点上;再根据根节点的信息判断图中的用户点击行为是否正常,最后得到可用的用户点击购买行为预测模型。在得到预测模型后,需要对模型的有效性进行评估,由于使用单一评估指标不能充分解释得到的预测模型的优劣,本文还介绍了两种常用于用户推荐系统的算法:协同过滤和DeepFM。将三种方法得到的模型预测的结果进行对比分析得到,基于图神经网络的预测模型和基于DeepFM的预测模型的结果波动幅度较小,这两个模型较稳定;而基于协同过滤的预测模型的结果波动幅度较大,模型的稳定性不足。此外,本文还对比了三个模型的运行耗时和最大占用内存量,基于协同过滤的模型耗时最少、内存量占用最小;基于图神经网络的预测模型耗时最长、内存量占用最大。但综合分析模型效果与耗时量和最大内存占用量的代价可知,基于图神经网络的预测模型性能最好。本文的研究是以电子商务场景中的真实数据出发,旨在构建可用于预测用户行为的预测模型。虽然当前阶段相关研究还停留在理论阶段,但是在未来,本文得到的预测模型很有可能直接应用于真实电子商务网站的推荐系统中。