Die Vorhersage der Klickrate (CTR) mit dem Ziel, die Wahrscheinlichkeit von Benutzerklicks zu schätzen, ist zu einer der Kernaufgaben in Werbesystemen geworden. Für ein CTR-Vorhersagemodell ist es notwendig, das verborgene Benutzerinteresse hinter den Verhaltensdaten zu erfassen. Zudem ändert sich das Benutzerinteresse im Laufe der Zeit dynamisch, bedingt durch die Veränderungen in der externen Umgebung und der internen Kognition. Es gibt mehrere Methoden zur CTR-Vorhersage für Interessensmodellierung, jedoch betrachten die meisten dieser Methoden das Verhaltensrepräsentation direkt als Interesse und modellieren das verborgene Interesse hinter dem konkreten Verhalten nicht speziell. Darüber hinaus berücksichtigen nur wenige Arbeiten den Veränderungstrend des Interesses. In dieser Arbeit schlagen wir ein neues Modell vor, genannt Deep Interest Evolution Network (DIEN), für die CTR-Vorhersage. Insbesondere haben wir eine Interessenextraktorschicht entwickelt, um zeitliche Interessen aus der Historie der Verhaltenssequenz zu erfassen. In dieser Schicht führen wir einen Nebenverlust ein, um die Interessensextraktion bei jedem Schritt zu überwachen. Da Benutzerinteressen vielfältig sind, insbesondere im E-Commerce-System, schlagen wir eine Interessenevolutionschicht vor, um den Evolutionsprozess des Interesses im Bezug zum Zielobjekt zu erfassen. An der Interessenevolutionschicht wird ein Aufmerksamkeitsmechanismus neuartig in die sequentielle Struktur eingebettet, und die Effekte relativer Interessen werden während des Interessenseinsatzes verstärkt. In Experimenten sowohl auf öffentlichen als auch auf industriellen Datensätzen übertreffen DIEN die bislang besten Lösungen erheblich. Bemerkenswerterweise wurde DIEN im Display-Werbungssystem von Taobao implementiert und erreichte eine Verbesserung der CTR um 20,7 %.