近年来,信息爆炸问题越来越严重。个性化推荐系统则是架在用户和信息之间的一座“桥梁”,对于目的不明确的用户,通过挖掘其隐藏的兴趣,为用户推荐其满意的物品,对于缓解信息过载问题具有重要作用,已经成为不可缺少的网上服务。在目前流行的推荐算法中,其根据独立的(用户,物品)对分析用户的潜在兴趣。然而实际上,用户的兴趣是动态变化的,并且物品之间也具有相互关联,这些重要的因素却往往被忽略。基于此,本文提出基于行为序列挖掘的推荐算法,重点挖掘用户历史交互序列中的时序关系和物品相互联系,将本文推荐算法定义为两个研究点:基于概率图的物品画像挖掘技术,以及神经网络预测模型的构建和训练。基于概率图的物品画像挖掘技术的研究,旨在建模物品的交互特征、相互关系,学习物品的关系向量表示。单个用户交互序列只能反映局部的依赖关系。为构造物品的全局关系表示,通过图的方式,将物品看做结点,将物品之间的关系映射为边,在一个全局图上综合表示每个用户的交互序列,并且,建模物品的交互时间间隔,反映物品间的转化概率和依赖关系的强度。在此基础上,通过概率化游走采样得到物品序列,然后设计ItemR2Vec模型,改进对物品时序特征及相互关系的学习,通过最大化物品序列的出现概率,训练模型从而得到物品的关系向量。然后,本文探讨点击率预测模型,设计多网络结构的DSIM模型,通过引入负样本物品,建模用户的相对偏好。DSIM模型从用户的交互序列中学习时序特征,从而预测用户的动态偏好。针对负样本,提出详细的反馈分级采样方法,构建公式计算负样本的概率,从而采样更典型的样本。同时针对实际应用场景中的预测加速和冷启动问题提出具体的解决方案,使其更切合大数据时代背景下的实践需求。接下来,将DSIM算法应用于点击率预估系统。首先将系统可获取的数据经过建模,转换为DSIM算法的输入特征。然后利用DSIM模型预测用户对广告的点击概率。当用户访问平台,触发广告请求,根据模型预测的广告点击率,结合竞价因子,从广告库中选取合适的广告,返回给用户页面。系统通过响应速度,吞吐量等指标的测试,显示出强壮的性能。最后,将DSIM算法在MovieLens数据集上和天猫数据集上与传统推荐算法和先进算法进行比较,实验结果展示DSIM算法的召回率、MAP、AUC等指标均有很大提升。实验还分析了推荐列表的长度、物品关系向量的维度、负采样参数组合等超参数对DSIM算法的影响程度,使得所提算法得到有效的验证。