在线购物是众多消费者网络行为的出发点与归宿,而了解用户的兴趣是电子商务网站实现个性化的基础。实时了解消费者兴趣的变化,有利于提高个性化的推荐的准确性,避免重复推荐并以此改善消费者的购买体验。因此,电子商务网站的个性化服务的优劣,取决于商家对消费者行为数据研究程度的深浅以及推荐系统自适应能力的高低。当前关注消费者兴趣变化的推荐系统为会话型推荐系统,该推荐系统将消费者的兴趣划分为长期兴趣与短期兴趣,综合考虑这两种兴趣的依赖关系并以此预测消费者的购买行为,有效地解决传统推荐系统中仅关注长期兴趣的弊端。本文将电子商务网站中消费者的点击流数据的相关研究引入到会话型推荐系统的研究中,依据点击流中的会话划分方法对消费者的访问行为进行划分,并对消费者浏览访问行为所反映的兴趣变化过程进行分析与挖掘,探究消费者长期兴趣与短期兴趣之间的依赖关系,探索消费者下一步或者下一会话将点击的商品,并最终推测消费者实时的购买意图并进行推荐。针对该目的,本文主要做了以下几方面工作:第一,以点击流数据为基础,建立了一个包含3个一级指标和8个二级指标的点击流评价体系,并以此对消费者针对每一个商品的兴趣度进行量化。其中,消费者浏览行为的复杂度使用消费者的访问频率进行测量;消费者浏览行为的深度使用访问时长进行测量;消费者浏览的广度使用消费者访问商品品牌的频率与时长进行测量。最后,利用VIF多重共线性方法检测该指标体系的可行性;第二,根据消费者点击流数据的指标体系构建了三种兴趣度度量方式以优化现有的会话型推荐系统,更好地识别消费者实时兴趣,推测消费者的下一步或下一会话的点击行为,动态购买意图并以此进行推荐。最后,本文以精确率、平均倒数排名以及召回率检测模型的优化程度,证明丰富现有会话型推荐系统的数据嵌入向量的重要性;第三,针对累计兴趣度计量方法在基于深度学习的会话推荐系统中表现最差的问题,本文五章进行补充研究,探索累计兴趣度在基于深度学习的会话型推荐系统中召回率最低的原因,并提出可能的结果与研究启示。