随着社会经济的稳步发展和互联网技术的日益普及,电子商务行业已经发展得较为成熟。本文着眼于随时间戳记录的浏览点击行为这一海量的用户隐式反馈数据,一方面借助深度学习能挖掘行为潜在信息的优势,引入自然语言处理中word2vec的思想,以词序列类比用户行为序列,以词的上下文共现关系类比商品在用户行为序列中的共现关系,即认为共现频率高的商品很可能存在较高的相似度,从而得到基于Negative Sampling的Skip-gram模型(SGNS)下的商品embedding向量;另一方面先是将用户行为转化为兴趣度矩阵,基于隐语义模型(LFM)得到用户和商品在隐因子下的embedding向量,再利用GBDT模型在连续特征处理上的优势和LR在离散特征处理上的优势,将LFM得到的用户embedding向量、商品embedding向量、人工统计特征作为GBDT-LR模型的联合输入,得到融合的点击率预估模型。最后,本文将两部分融合来获得更为精准的推荐结果,即利用SGNS模型得到的embedding向量对商品相似度的有效刻画能力,先基于用户历史行为得到点击商品在embeddingSGNS下的top-K近邻的商品集合作为粗召回部分,再利用LFM-GBDT-LR融合模型对粗召回商品进行点击率预估,实现精准的重排序。经过实验,SGNS模型下得到的embedding向量能有效地挖掘商品的隐式特征,LFM-GBDT-LR融合模型较单一模型在模型评估指标上的表现更好,融合了SGNS模型作为召回的LFM-GBDT-LR点击率预估模型不仅大幅降低了计算时间,同时具有较好的推荐效果。