大数据时代人们每天面临着巨量的消息评论、长短视频、新闻资讯,电商产品等信息,每个个体不仅是数据的消费者,同时又是数据的产生者。互联网的时代,作为用户的我们每天都产生了大量的数据,包括购物、聊天、活跃于各社区发动态、写文章、浏览视频等等。我国的网民规模越来越大,互联网普及率越来越高,各项基础设施的建设也不断发展。随着产业互联网的发展,大数据已经渗透到多个行业和领域,变成一个越来越重要的生产要素。所以对于数据的运用和挖掘变得至关重要。当前,在推荐营销场景中,较多为人使用的仍旧是Logistic Regression及Xgboost这类模型,而这类模型在处理数据方面会面临两个弊端。其一是对于时间的处理,其二是对于删失数据的使用。逻辑回归模型和树模型等对于时间的学习较为不恰当,容易造成过拟合和数据泄露等问题,而另一方面,当面对删失数据时,更倾向于认为这部分数据信息不完全而选择舍弃或将其简单的当成“0”,而这在一些特殊的场景,样本量本身较少时,会对最终的模型预测效果和泛化能力带来一个极大的挑战。生存分析类模型正好能避开上述两个弊端,生存分析最初应用于医疗领域,在处理删失数据以及对时间变量的处理上已经积累了很多经验,相较于LR模型,生存分析类模型视时间和事件标志均为因变量。在生存分析领域,使用最广泛的应该是Cox比例风险模型,但该模型有着过强的假设,其一,必须满足各个变量（因素）的作用不随时间改变,即时间在变,但是对应的风险仍旧保持不变的比例关系;其二,对数风险比需与协变量（各种生存因素）保持线性关系。本文在学习首次触达时间与协变量之间的关系时引入了深度学习的知识,不对潜在随机过程做预定的假设,加入了较为成熟的Deep FM框架以对协变量进行深度的学习,并对损失函数进行改造,融入了FHT与事件时间关系的似然函数、区分度指标和拟合优度指标这三个因素,从而加速模型的收敛和提高模型的准确度。在实证分析上,本篇论文首先将新提出的方法作用于一个生物医疗数据集和一个模拟数据集上,以C-index作为评估指标,与其它几种常见的生存分析模型对比,结果表明新提出的方法效果更佳。除此之外,本文还将新方法作用于一个电商交易数据集,通过特征构建和特征筛选,建模对比分析发现本文提出的方法从效果上优于逻辑回归和Xgboost。并且,在增加时间这一特征后,Xgboost的表现较为过拟合,该结果表明本论文提出的方法能够用于推荐营销领域,特别是在着重关注时间的场景,比如预测用户何时流失、用户何时违约等。在本文的最后,对整体进行了总结,并对未来的研究方向进行了构思,对可应用的场景和方向进行了展望。