改革开放以来,我国电信业务的总量快速提升,电信业务的收入稳步增长,随之产生的海量电信数据也被研究者们充分利用以挖掘其中的潜在的有效信息来帮助企业进行相关决策。在电信行业中,客户流失给企业造成的损失较企业去获取新客户的成本来说要高,因此流失用户的预测对于电信企业的发展决策来说至关重要。随着近年电信行业CRM（Customer Relationship Management,客户关系管理）系统的不断升级,其获取的用户数据朝着越来越复杂的趋势发展。针对CRM系统中数据的高维、稀疏、多类别、样本不平衡等特点,如何发现特征之间深层次的隐藏关系和将它们进行更高效特征组合是建立客户流失预测模型的关键。为解决上述问题,本文旨在构建一个更高效的基于特征组合的模型来挖掘具有高维、稀疏、多类别、样本不平衡特点的电信数据之间的关系以更好地进行客户流失预测。因此,本文提出了一个基于GBDT（Gradient Boosting Decision Tree,梯度提升树）特征转换的FL-Deep AFM模型来进行更有效的特征组合来进一步提升客户流失的预测效果。本文的主要研究工作有两个部分。第一部分针对高维、稀疏、多类别、样本不平衡的电信数据样本,设计了一个基于GBDT特征转换的Deep FM模型。通过模型中的GBDT特征转换创造出能够缓解样本不平衡问题的特征。除此之外,模型中的Deep FM部分还可以对特征进行深层次的自动组合以获得更好的分类效果。第二部分为了进一步优化基于GBDT特征转换的Deep FM模型以缓解噪音特征和未完全解决的样本不平衡问题的影响,本文在上述模型基础上还提出了一个基于GBDT特征转换的FL-Deep AFM模型,通过引入Focal Loss和Attention机制以进一步解决样本不平衡和无意义特征的问题从而提升模型的预测效果。本文使用到的数据是真实的电信数据。通过实验对上述提出的所有模型和方法进行了有效性验证,同时实验结果也表明本文所提出的基于GBDT特征转换的FL-Deep AFM模型是可用且有效的,相对于传统的客户流失预测模型能够更好地对客户流失进行预测。